What's New at <i>JGR‐Oceans</i>? Confronting Bias, Burn Out, and Big Data
Notice bibliographique
Résumé
Abstract JGR‐Oceans receives many more submissions from a broader demographic of authors than in the past and burnout among reviewers as well as potential bias among editors is threatening excellence and equity at the journal. To confront these issues, we have implemented some new editorial strategies that are anticipated to provide a fairer and more rewarding peer‐review experience for authors, as well as alleviate pressure on reviewers and deliver high quality science for readers. First, we have recruited a dozen new editors from across the world who better reflect our author demographic and who can make wiser and more inclusive decisions about the running of the journal. Second, we now require that each manuscript clearly communicate new understanding about the ocean before we send it out for review. This simple rubric deflects potentially biased editorial decisions based on author attributes and brings us closer to the original scope of JGR‐Oceans . Third, we are facilitating a culture of collaboration among reviewers and among ourselves, the editors, that brings more balanced decision‐making to reviews and manuscripts and provides authors more feedback. Our aim is to better help authors communicate their science with confidence and clarity. Finally, JGR‐Oceans has always been a multi‐disciplinary journal and we are encouraging more submissions that convey new understanding of biogeochemical processes and human interactions with ocean variability and change.
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 | 0,236 | 0,580 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,010 | 0,016 |
| Communication savante | 0,061 | 0,023 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,011 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,013 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».