Notice bibliographique
Résumé
There are many reasons why a budding academic might want to avoid interdisciplinary research.It is diffi cult enough to acquire expertise in one fi eld of research, let alone two or more.The time required to read the literature in a fi eld outside your own main area can be hard to fi nd, and the additional time investment to learn novel methods from another fi eld can be huge.Moreover, the hiring and reward systems in academia still run strongly along disciplinary lines, so that work that draws on or contributes to other fi elds may not be fully valued in one's own fi eld.Interdisciplinary research may not be appreciated by narrow-minded colleagues.Some interdisciplinary projects have a bogus air about them, looking like they were designed more to bring in big research grants than to accomplish intellectual goals.The interdisciplinary scholar can look a bit like a dilettante, dabbling in multiple fi elds in order to avoid tackling the diffi cult problems in an established fi eld.Grants for interdisciplinary research can be diffi cult to get, because most granting agencies are organized along disciplinary lines.Despite these deterrents to interdisciplinary research, there are powerful intellectual reasons why work that oversteps the ossifi ed boundaries of established fi elds can have great intellectual benefi ts.Such benefi ts are vividly apparent in the interdisciplinary fi eld of cognitive science, which attempts to understand the mind by combining insights from the fi elds of psychology, philosophy, linguistics, neuroscience, anthropology, and artifi cial intelligence.After a brief review of the history of the fi eld and its contributing disciplines, this chapter will examine some of the main theoretical and experimental advances that cognitive science has accomplished over the past half century, deriving lessons that might be useful for researchers in any emerging interdisciplinary area.16.
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 | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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; 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 ».