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 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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».