Acknowledgement to Reviewers of Maritime Technology and Research in 2020
Notice bibliographique
Résumé
The editorial team greatly appreciates the reviewers who have dedicated their considerable time and expertise to the journal’s rigorous editorial process in 2020, regardless of whether the submissions were finally published or not. In 2020, a total of 45 articles were submitted to the journal, with a median time to first decision of 50 days, and 71 days from submission to publication. The editorial team would like to express their sincere gratitude to the following reviewers for their generous contribution in 2020: Agnieszka Lazarowska, Poland Akihiko Matsuda, Japan Aldo Chircop, Canada Anand Kumar, Malaysia Anastasia Christodoulou, Sweden Anthony Paul Sison Guerrero, United States Anthony Yaw Karikari, Ghana Arunachalam Ponshanmugakumar, India Asen Asenov, Bulgaria Birgit Pauksztat, Sweden Boris Svilicic, Croatia Carlos Efrén Mora Luis, Spain Chalermpong Senarak, Thailand Chandrashekher Umanath Rivonker, India Che Abd Rahim Mohamed, Malaysia Christiaan Adika Adenya, Kenya Christopher Nolan, United States Dimitrios Dalaklis, Sweden Dong-Taur Su, Taiwan Ergun Demirel, Turkey Fatima Zohra Bouthir, Morocco Florin Rusca, Romania Floris Goerlandt, Canada Fu Ming Tzu, Taiwan Geng-Ruei Chang, Taiwan George H. Kaplan, United States Giulio Dubbioso, Italy Hao Long, China Hong Oanh Owen Nguyen, Australia Jacopo Aguzzi, Spain Jagan Jeevan, Malaysia Jerónimo Esteve-Perez, Spain Jiangang Jin, China Jianjun Wu, China Jianmin Li, China Jiao Jialong, China Juan Carlos Astudillo, Hong Kong Jun Ando, Japan Kantapon Tanakitkorn, Thailand Kwan Ouyang Taiwan Laura Piñeiro, Spain Li Ye, China Lidong Fan, Australia M. P. R Prasad, India Maciej Reichel, Poland Mahinda Bandara, Sri Lanka María-Araceli Losey-Leon, Spain Marta Mańkowska, Poland Maruj Limpawattana, Thailand Masayoshi Doi, Japan Mate J. Csorb, Norway Ming-Cheng Tsou, Taiwan Mohammed Russtam Suhrab Ismail, Malaysia Mohd Hazmi Bin Mohd Rusli, Malaysia Moses Kopong Tokan, Indonesia Mumini Dzoga, Kenya Neil J. Douglas, New Zealand Nucharee Nuchkoom Smith, Thailand Oghenetejiri Digun-Aweto, South Africa Olabisi Michael Olapoju, Nigeria Olaf Chresten Jensen, Denmark Om Prakash Sha, India Paul Tae-Woo Lee, China Pengfei Zhang, United Kindom Peter RANERI, Sweden Peter Ralph Galicia, Philippines Phansak Iamraksa, Thailand Phatchara Sriphrabu, Thailand Proshanto Mukherjee, China Saikat Banerjee, India Sarinya Sanitwong Na Ayutthaya, Thailand Seonho Cho, Korea Sheree-Ann Adams, Grenada Supawat Chaikasem, Thailand Surasak Phoemsapthawee, Thailand Suresh Bhardwaj, India Thee Chowwanonthapunya, Thailand Vasilios D. Tsoukalas, Greece Wirachaya Chanpuypetch, Thailand Yodchai Tiaple, Thailand Yottana Khunatorn, Thailand
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 | 0,036 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,020 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,032 |
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 ».