MétaCan
Menu
Retour à la cohorte
Enregistrement W4285403516 · doi:10.1016/j.renene.2022.07.011

Impact of measured spectrum variation on solar photovoltaic efficiencies worldwide

2022· article· en· W4285403516 sur OpenAlexaff
Geoffrey S. Kinsey, Nicholas Riedel, Alonso-Abella Miguel, Matthew Boyd, Marília Braga, Chunhui Shou, Raúl R. Cordero, Benjamin C. Duck, Christopher J. Fell, Sarah Féron, George E. Georghiou, Nicholas Habryl, Jim Joseph John, Nipon Ketjoy, Gabriel López, Atse Louwen, Elijah Loyiso Maweza, Takashi Minemoto, Ankit Mittal, Cécile Molto, Guilherme Neves, G. Nofuentes, Matthew Norton, Basant Raj Paudyal, Ênio Bueno Pereira, Yves Poissant, Lawrence E Pratt, Shen Qu, Thomas Reindl, Marcus Rennhofer, Carlos D. Rodríguez‐Gallegos, Ricardo Rüther, Wilfried van Sark, Miguel A. Sevillano-Bendezú, Hubert Seigneur, Jorge A. Tejero, Marios Theristis, Jan Amaru Töfflinger, Carolin Ulbrich, Waldeir Amaral Vilela, Xiangao Xia, Márcia Akemi Yamasoe

Notice bibliographique

RevueRenewable Energy · 2022
Typearticle
Langueen
DomaineEngineering
Thématiquesolar cell performance optimization
Établissements canadiensNatural Resources Canada
Organismes subventionnairesNational Renewable Energy LaboratorySandia National LaboratoriesJoint Research CentreNational Research Foundation SingaporeNational Institute of Standards and TechnologyUniversity of OregonConsejo Nacional de Ciencia, Tecnología e Innovación TecnológicaAgência Nacional de Energia ElétricaNational University of SingaporeNational Research FoundationEuropean Regional Development FundU.S. Department of EnergyEuropean CommissionEnergy Market Authority of Singapore
Mots-clésIrradiancePhotovoltaic systemEnvironmental scienceSolar irradianceSolar energyBroadbandSolar cellVariation (astronomy)SeasonalityAtmospheric sciencesRemote sensingMeteorologyOpticsMaterials sciencePhysicsStatisticsOptoelectronicsGeographyEngineeringMathematicsAstrophysicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,007
Tête enseignante GPT0,193
Écart entre enseignants0,186 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2022
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueRenewable EnergyMême sujetsolar cell performance optimizationTravaux en français237 207