Quiz dermatologiczny
Notice bibliographique
Résumé
ENWEndNote BIBJabRef, Mendeley RISPapers, Reference Manager, RefWorks, Zotero AMA Waśkiel-Burnat A, Pisarz K, Czuwara J, Golińska J, Olszewska M, Rudnicka L. Quiz dermatologiczny. Dermatology Review/Przegląd Dermatologiczny. 2022;109(1):86-87. doi:10.5114/dr.2022.116921. APA Waśkiel-Burnat, A., Pisarz, K., Czuwara, J., Golińska, J., Olszewska, M., & Rudnicka, L. (2022). Quiz dermatologiczny. Dermatology Review/Przegląd Dermatologiczny, 109(1), 86-87. https://doi.org/10.5114/dr.2022.116921 Chicago Waśkiel-Burnat, Anna, Katarzyna Pisarz, Joanna Czuwara, Joanna Golińska, Małgorzata Olszewska, and Lidia Rudnicka. 2022. "Quiz dermatologiczny". Dermatology Review/Przegląd Dermatologiczny 109 (1): 86-87. doi:10.5114/dr.2022.116921. Harvard Waśkiel-Burnat, A., Pisarz, K., Czuwara, J., Golińska, J., Olszewska, M., and Rudnicka, L. (2022). Quiz dermatologiczny. Dermatology Review/Przegląd Dermatologiczny, 109(1), pp.86-87. https://doi.org/10.5114/dr.2022.116921 MLA Waśkiel-Burnat, Anna et al. "Quiz dermatologiczny." Dermatology Review/Przegląd Dermatologiczny, vol. 109, no. 1, 2022, pp. 86-87. doi:10.5114/dr.2022.116921. Vancouver Waśkiel-Burnat A, Pisarz K, Czuwara J, Golińska J, Olszewska M, Rudnicka L. Quiz dermatologiczny. Dermatology Review/Przegląd Dermatologiczny. 2022;109(1):86-87. doi:10.5114/dr.2022.116921.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».