MétaCan
Menu
Retour à la cohorte
Enregistrement W4250163777 · doi:10.2172/1512719

Building an open source software ecosystem for cross-disciplinary plasma research and education

2019· report· en· W4250163777 sur OpenAlexaff
Nicholas A. Murphy, Dominik Stańczak, Andrew J. Leonard, T. N. Parashar, Pawel Kozłowski, B. L. Alterman, D. A. Roberts, Steven Christe, Martin Connors, Monica Bobra, James Mason, Will Barnes, Ryan McGranaghan, Asti Bhatt, P. J. Erickson, Frank Lind, Ryan Volz, John Swoboda, Nick Hatzigeorgiu, Andrew Inglis, Felipe Nathan de Oliveira Lopes, J. Ireland, John Coxon, Sophie A. Murray, Japheth Yates, Mark C. M. Cheung, J. Klenzing, David Stansby, Han He, Chuanfei Dong, H. D. Winter, Juan-Camilo Buitrago-Casas, Manjit Kaur, S. P. Smith, B. Dudson, Daniel B. Seaton, Luca Comisso, Alexa Halford, Daniel Barnak, R. S. Weigel, Antoine Tavant, J. D. Vandegriff, M. de Val-Borro, Antonia Savcheva

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineDecision Sciences
ThématiqueScientific Computing and Data Management
Établissements canadiensAthabasca University
Organismes subventionnairesLos Alamos National LaboratoryNational Nuclear Security AdministrationU.S. Department of Energy
Mots-clésSoftwareComputer scienceSoftware analyticsSoftware engineeringSoftware developmentDisciplineCross disciplinaryData scienceSystems engineeringSoftware constructionEngineeringSociologyOperating systemSocial science

Résumé

récupéré en direct d'OpenAlex

Software is crucial to all areas of modern plasma science research. Laboratory plasma physicists use software to interpret plasma diagnostics, analyze experimental results, and glean insights using advanced techniques from data science. Space scientists use software to reduce and understand in situ observations. Numericists use software to simulate the behavior of laboratory, heliospheric, and astrophysical plasmas, and then analyze or visualize the results. Theorists use symbolic manipulation software to perform or check derivations. Cross-disciplinary research and cross-comparisons between experiments, observations, simulations, and theories all require software. Despite our heavy reliance on software, funding agencies have traditionally had few avenues available to support development of general purpose research software infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,057
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Communication savante, Science ouverte
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,659
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0570,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0120,001
Science ouverte0,0050,009
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,516
Tête enseignante GPT0,588
Écart entre enseignants0,072 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetScientific Computing and Data ManagementTravaux en français237 207