Editorial: Artificial Intelligence in Environmental Microbiology
Notice bibliographique
Résumé
Perhaps twenty-first century is so called “Digital Era” since digitalization and artificial intelligence (AI) is finding its way into every aspect of human life. Nowadays, AI-based approaches are gaining a lot of traction as components of research and development in different scientific and technological fields. One of the areas that is experiencing a digital revolution is environmental microbiology, which is the science of studying the interactions between the microorganisms and the environment and their mutual impacts (Pepper et al., 2011). Approaches such as machine learning (ML), deep learning (DL), image processing, pattern recognition and internet of things (IoT) are being widely implemented in this field in all aspects from theoretical development and identification to process monitoring and optimization (Asgharnejad and Sarrafzadeh, 2020; Gargalo et al., 2020; Asgharnejad et al., 2021). Outbreak of the global challenge of COVID-19 pandemic during the last 2 years and the huge impacts of this virus on socioeconomic infrastructures has also highlighted the necessity of innovative approaches for controlling and monitoring microbial communities in the environment. This special issue provides a platform for gathering the most recent advances in the fields of environmental microbiology from the perspective of AI. It includes 10 scientific papers (six original research articles, two mini-reviews and two reviews) that cover a wide range of AI approaches including ML, DL, and image processing. Two of these papers are specifically focused on using AI for diagnosis and tackling the SARS-CoV-2 virus, which is the species causing COVID-19 and, in this regard, the current Research Topic can be a reference for ongoing research on the edge of science to overcome the pandemic and prevent future such catastrophic outbursts.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,012 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,026 |
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 ».