Notice bibliographique
Résumé
Abstract Prof. Ramesh K. Agarwal, Washington University in St. Louis, USA Prof. Steven Y. Liang, Georgia Institute of Technology, USA Program Committee Chairs Prof. Jing Wang, University of South Florida, USA Prof. Devki N. Talwar, Indiana University of Pennsylvania, USA Prof. Xu Chen, University of Washington, USA Prof. Yong Suk Yang, Pusan National University, Korea Prof. Farhang Pourboghrat, The Ohio State University, United States Technical Committees Prof. Anselmo Alves Bandeira, Federal University of Bahia, Brazil Prof. Mohd Rafie Bin Johan, University of Malaya, Malaysia Prof. Fei Zhou, Nanjing University of Aeronautics and Astronautics, China Assoc. Prof. Wenke Gao, Lanzhou University of Technology, China Prof. Abhijit Chanda, Jadavpur University, India Prof. Himadri Chattopadhyay, Jadavpur University, India Prof. Velamurali, Anna University, India Prof. A. Elaya Perumal, Anna University, India Prof. N. V. Raghavendra, National Institute of Engineering, Mysuru, India Prof. Recai KUS, Selcuk University, Turkey Assoc. Prof. Prasanna Shakti Jena, Vardhaman College of Engineering, India Dr. Kamran Shavezipur, Southern Illinois University Edwardsville, USA Dr. Marco Castellani, University of Birmingham, UK Dr. Marta Menegoli, Naica SC, Italy Dr. Aydin Berenjian, The University of Waikato, Ireland Dr. D. Ramasamy, Universiti Malaysia Pahang, Malaysia Dr. Mohsen Motahari-Nezhad, Shahid Beheshti University Dr. Hatem Mrad, Université du Québec en Abitibi-Témiscamingue, Canada Dr. Chen-Yuan Chung, National Central University, Taiwan Dr. Aydin Berenjian, The University of Waikato, Ireland
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».