Formalizing Trust in Historical Weather Data
Notice bibliographique
Résumé
Abstract Historical instrumental weather observations are vital to understanding past, present, and future climate variability and change. However, the quantity of historical weather observations to be rescued globally far exceeds the resources available to do the rescuing. Which observations should be prioritized? Here we formalize guidelines help make decisions on rescuing historical data. Rather than wait until resource-intensive digitization is done to assess the data’s value, insights can be gleaned from the context in which the observations were made and the history of the observers. Further insights can be gained from the transcription platforms used and the transcribers involved in the data rescue process, without which even the best historical observations can be mishandled. We use the concept of trust to help integrate and formalize the guidelines across the life cycle of data rescue, from the original observation source to the transcribed data element. Five cases of citizen science-based historical data rescue, two from Canada and three from Australia, guide us in constructing a trust checklist. The checklist assembles information from the original observers and their observations to the current transcribers and transcription approaches they use. Nineteen elements are generated to help future data rescue projects answer the question of whether resources should be devoted to rescuing historical meteorological material under consideration. Significance Statement Historical weather observations, such as ships’ logs and weather diaries, help us to understand our past, present, and future climate. More observations are waiting to be rescued than there are resources. Only after they have been rescued—transcribed—can the records be indexed, searched, and analyzed. Given the vast task, citizen scientists are often recruited to transcribe past weather records. Various tools, including software platforms, help volunteers transcribe these handwritten records. We provide guidance on choosing observations to rescue. This guidance is novel because it emphasizes trust throughout the data rescue process: trust in who the observers were and how the observations were made, trust in who the current transcribers are, and trust in the software tools that are used for transcription.
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 | 0,218 | 0,463 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,030 |
| Communication savante | 0,015 | 0,033 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».