MétaCan
Menu
Retour à la cohorte
Enregistrement W4280538237 · doi:10.5281/zenodo.6564283

D6.11 SSHOC Trainer Toolkit (final)

2022· report· en· W4280538237 sur OpenAlexaff
Ricarda Braukmann, Ellen Leenarts, Simon Saldner, Veronika Keck, Judith Wehmeyer, Alejandra Albuerne, Klaus Illmayer, Matej Ďurčo, Vasso Kalaitzi, Tatsiana Yankelevich, Darja Fišer, Ana Cvek, Anca Vlad

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2022
Typereport
Langueen
DomaineHealth Professions
ThématiqueArtificial Intelligence in Healthcare
Établissements canadiensCanarie
Organismes subventionnairesRural Development AdministrationEuropean Commission
Mots-clésTrainerComputer scienceOperating system

Résumé

récupéré en direct d'OpenAlex

This deliverable describes the final version of the SSH Training Discovery Toolkit (TDT) which was launched on April 20th 2020. At the time of the launch in April 2020, the TDT highlighted 70 items from 41 different training sources. The TDT consists of an inventory of various learning and training materials that trainers in the Social Sciences and Humanities (SSH) can use to develop and improve their training activities. The Toolkit at the time of writing lists 243 example materials from over 95 different sources in various formats, such as slides, modules, videos, games and other items. Materials cover a range of topics including Research Data Management, FAIR data, text encoding, Open Science, and quantitative analysis, as well as didactics for better development and implementation of training activities. It should be noted that the items included in the TDT are examples from all the materials available at a given source. The TDT was meant to ease the discovery of training materials available at the various sources by means of highlighting items rather than providing an exhaustive list of all materials available. This deliverable describes the updates and improvements that have been performed in the second half of the SSHOC project. After the launch in April 2020, the TDT was further developed in collaboration with the SSH Training Community. It was presented and evaluated during the SSHOC Train-the-Trainer Bootcamps. Curation sprints were performed to update metadata of existing resources and add new resources that have been suggested by the community. In addition to the content extension, the metadata of the TDT has been evaluated and metadata fields, as well as controlled vocabularies, used were adjusted. This was done to align with the recommendations of the international community on minimal metadata and best practices for describing training materials. Note on the terminology Please note that, while the original title of the toolkit mentioned in the grant proposal and agreement was “SSHOC Train-the-Trainer Toolkit” rather than “SSH Training Discovery Toolkit” (TDT), the latter was adapted in the course of the project, as it more accurately describes the content and use of the toolkit. The TDT is directed at SSH trainers, but next to train-the-trainer materials, it also contains information on other learning and training materials available that can be used in multiple disciplines for the SSH community. Moreover, the main purpose of the TDT is the discovery of these materials. Therefore, the name that is used in this deliverable as well as in the related milestone is Training Discovery Toolkit. This is also what has been used on the SSHOC website and in the communications of the outcome.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,391
Score d'incertitude au seuil0,868

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,017
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0050,005
Science ouverte0,0040,007
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,3910,378

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 Opus0,373
Tête enseignante GPT0,457
Écart entre enseignants0,084 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetArtificial Intelligence in HealthcareTravaux en français237 207