Reviewer Acknowledgements for Higher Education Studies, Vol. 9, No. 2
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 2 Abdelaziz Mohammed, Albaha University, Saudi Arabia Alina Mag, University Lucian Blaga of Sibiu, 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 Aynur Yürekli, İzmir University of Economics, Turkey Bahar Gün, İzmir University of Economics, Turkey Bo Chang, Ball State University, USA Evrim Ustunluoglu, Izmir University of Economics, Turkey Gamze Kasalak, Akdeniz University, Turkey Gregory S. Ching, Fu Jen Catholic University, Taiwan Jisun Jung, University of Hong Kong, Hong Kong Karsten Krauskopf, University of Potsdam, Germany Lung-Tan Lu, Fo Guang University, Taiwan Meric Ozgeldi, Mersin University, Turkey Mirosław Kowalski, University of Zielona Góra, Poland Oana-Mihaela Rusu, Unviersity of Iasi, Romania Olusola Ademola Olaniyi, Prince Mohammad Bin Fahd University, Saudi Arabia Prashneel Ravisan Goundar, Fiji National University, Fiji Rafizah Mohd Rawian, Universiti Utara Malaysia, Malaysia Ranjit Kaur Gurdial Singh, The Kilmore International School, Australia Sumita Chowhan, Jain University, India Tuija A. Turunen, University of Lapland, Finland Uher Ivan, University P.J.Safarika Kosice, Slovakia 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 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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».