Reviewer Acknowledgements for Higher Education Studies, Vol. 9, No. 1
Notice bibliographique
Résumé
Higher Education Studies wishes to acknowledge the following individuals for their assistance with peer review of manuscripts for this issue. Their help and contributions in maintaining the quality of the journal are greatly appreciated. Higher Education Studies is recruiting reviewers for the journal. If you are interested in becoming a reviewer, we welcome you to join us. Please find the application form and details at http://recruitment.ccsenet.org and e-mail the completed application form to hes@ccsenet.org. Reviewers for Volume 9, Number 1 Abdelaziz Mohammed, Albaha University, Saudi Arabia Ana-Cornelia Badea, Technical University of Civil Engineering Bucharest, Romania Anna Liduma, University of Latvia, Latvia Antonina Lukenchuk, National Louis University, USA Arbabisarjou Azizollah, Zahedan University of Medical Sciences, Iran Ausra Kazlauskiene, Siauliai University, Lithuania Barbara N. Martin, University of Central Missouri, USA Carmen P. Mombourquette, University of Lethbridge, Canada Deniz Ayse Yazicioglu, Istanbul Technical University, Turkey Dibakar Sarangi, Teacher Education and State Council for Educational research and Training, India Evrim Ustunluoglu, Izmir University of Economics –Izmir/Turkey, Turkey Firouzeh Sepehrianazar, Orumieh university, Iran Geraldine N. Hill, Elizabeth City State University, USA Gerard Hoyne, School of Health Sciences, University of Notre Dame Australia, Australia Gregory S. Ching, Fu Jen Catholic University, Taiwan Hüseyin Serçe, Selçuk University, Turkey Jayanti Dutta, Panjab University, India Jisun Jung, University of Hong Kong, Hong Kong John Cowan, Edinburgh Napier University, United Kingdom John Walter Miller, Benedict College in Columbia, USA Laid Fekih, University of Tlemcen Algeria, Algeria Lung-Tan Lu, Fo Guang University, Taiwan, Taiwan Mehmet Ersoy, Department of Computer Education and Instructional Technologies, Turkey Mei Jiun Wu, Faculty of Education, University of Macau, China Meric Ozgeldi, Mersin University, Turkey Mirosław Kowalski, University of Zielona Góra, Poland Nicos Souleles, Cyprus University of Technology, Cyprus Okedeyi Sakiru Abiodun, Adeniran Ogunsanya College of Education, Nigeria Philip Denton, Liverpool John Moores University, United Kingdom Rachida Labbas, Washington State University, USA Ranjit Kaur Gurdial Singh, The Kilmore International School, Australia Sahar Ahadi, Islamic Azad University of Mashhad, Iran Tuija A. Turunen, University of Lapland, Finland Vasiliki Brinia, Athens University of Economic and Business, Greece Zahra Shahsavar, Shiraz University of Medical Sciences, Iran
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,075 | 0,524 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,016 | 0,009 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 0,065 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».