Acknowledgement to Reviewers of Maritime Technology and Research in 2022
Notice bibliographique
Résumé
The editorial team greatly appreciates the reviewers who have dedicated their considerable time and expertise to the journal’s rigorous editorial process in 2022, regardless of whether the submissions were finally published or not. In 2022, a total of 59 articles were submitted to the journal, with a median time to first decision of 78 days, and 108 days from submission to publication. The editorial team would like to express their sincere gratitude to the following reviewers for their generous contribution in 2022: Abdullah Açık, Turkey Adam Prokopowicz, United States Agnieszka Lazarowska, Poland Aiya Chantarasiri, Thailand Alexis Papathanassis, Germany Amnuay Kleebayoon, Cambodia Anas Alamoush, Sweden Anastasia Christodoulou, Sweden Anita Gudelj, Croatia Antreas Kantaros, Greece Baharak Ashrafi, Germany Baki B. Sadi, Canada Behrang Beiranvand, Iran Bihong Lv, China Boyan Mednikarov, Bulgaria Carl-Uwe Böttner, Germany Chalermpong Senarak, Thailand Chandrashekher Umanath Rivonker, India Ching-Chiao Yang, Taiwan Chutarat Noosuwan, Thailand Corina Varsami, Romania Dang Duc Nhan, Vietnam Dominique Lepore, Italy E. M. Smith Johnson, Jamaica Efe Akyurek, Turkey Effi Helmy Ariffin, Malaysia Emma Ballad, Philippines Ergul Mustafa, Turkey Francisco García Sánchez, Spain Hao Rong, Portugal Hilde Elise Heldal, Norway Hong Oanh Nguyen, Australia Hua Li, China Işık Filizok, Turkey Jagan Jeevan, Malaysia Jianmin Li, China Juan Adolfo Chica-Ruiz, Spain Juan Carlos Astudillo, Hong Kong Jun-Woo Jeon, South Korea Kachai Tam, Canada Kanwar Muhammad Javed Iqbal, Pakistan Keyuan Zou, China Kimberly Tam, United Kingdom Krzysztof Wróbel, Poland Lai Fatt Chuah, Malaysia Maciej Gucma Poland Mahmood Shafiee, United Kingdom Maneerat Kanrak, Thailand Manickam Venkataraman, India Marco Túlio Mendonça Diniz, Brazil María Araceli Losey-Leon, Spain Massimo Musio-Sale, Italy Meena Madhavan, Thailand Mei-Wo Yii, Malaysia Michael A. Tamor, United States Mihail Diakomihalis, Greece Mir Irfan Ul Haq, India Mohan Feroz Khan, India Muhammad Zainuddin Lubis, Indonesia Neil J.Douglas, New Zealand Nelly Sedova, Russia Nitin Agarwala, India Noel Hidalgo Tan, Thailand Nurkhodzha Akbulaev, Azerbaijan Olabisi Michael Olapoju, Nigeria Olaf Chresten Jensen, Denmark Paraskevi Mpeza, Greece Pelin Bolat, Turkey Peter Ralph Galicia, Philippines Phansak Iamraksa, Thailand Phindile Tiyiselani Zanele Sabela-Rikhotso, South Africa Pisit Poolprasert, Thailand Prachakon Kaewkhiaw, Thailand Punam Thakur, United States Ranil Kularatne, Sri Lanka Razon Chandra Saha, Bangladesh Ronghui Li, China Rym Ennouri, Tunisia Sachinandan Dutta, Oman Salman Nazir, Norway Saravut Jaritngam, Thailand Scott A. Edwards, United Kingdom Sim Sai Tin, China Sinlapachai Senarat, Thailand Stephen Cahoon, Australia Subha M., India Subramaniam Neelamani, Kuwait Supawat Chaikasem, Thailand Suresh Bhardwaj, India Suvaluck Satumanatpan, Thailand Theophilus Chinonyerem Nwokedi, Nigeria Victor Bolblot, United Kingdom Violeta Hansen, Denmark Volker Bertram, Germany Wenbing Zhang, China Yi-Che Shih, Taiwan Zec Damir, Croatia Zhongzhen Yang, China Zorica Đurović, Serbia
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 | 0,034 | 0,196 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,019 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,029 |
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 ».