The Future of Science: Big Data Meets Scholarly Impact
Notice bibliographique
Résumé
STEM Fellowship's Big Data Challenge is a unique pedagogical experiment, providing an inquiry and learning experience for high school students that, upon equipping them with top-notch analytical tools, tasks them to find hidden patterns and trends in complex socioeconomic or scientific data.This year's challenge provided a multidisciplinary competitive opportunity; over a period of two and a half months, teams analyzed scholarly impact data through the prism of computational methods, all in order to answer the question: What is the future of science?Published here are the abstracts from all entrants.While scholarly impact data -as graciously provided by Altmetric -was the overall focus of the competition, teams applied a wide variety of perspectives in their respective projects, approaching the data through various angles that included research funding, gender diversity, Twitter interactions, and more.The tools used by teams were similarly diverse, ranging from SAS Studio and Tableau to R and Python.For all the variation between project themes, it remains that all submissions are of incredibly high quality.Every paper is demonstrative of immense creativity and high potential on the respective team's part.On behalf of STEM Fellowship, I would like to extend my heartfelt congratulations to all students who participated in the challenge, and I wish them all the best for their future endeavours in research and data science.It has been a privilege for us to witness the analytical capabilities of the next generation of students firsthand, and I am certain all entrants will only continue to demonstrate excellence in their respective research careers.
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 | 0,044 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,010 | 0,023 |
| Communication savante | 0,052 | 0,043 |
| Science ouverte | 0,002 | 0,022 |
| Intégrité de la recherche | 0,007 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».