Machine learning and hydrological sciences: A systematic overview of review papers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Water sciences have greatly contributed to the proliferation of machine learning in the twenty-first century, especially through engineering hydrology. This process has consequently necessitated transfer of core theory and knowledge of machine learning to the domain of hydrological sciences. In this regard, it is noteworthy that published academic literature played a substantial role in supporting development and learning of hydrologists. Specifically, research articles (and book sections) that review machine learning concepts and algorithms along with their applications in hydrology bolster progress of science by presenting encapsulated information (e.g, in the form of literature synthesis). Despite the rapid increase in the number and scope of such research articles, a systematic understanding of how this line of research publications has evolved with respect to their scientific context, objectives, and methods is still lacking. Hereby, we present an analysis of review papers in hydrology and machine learning based on a  systematic search strategy. The overview includes analysis of bibliographic information, review types (objective, focus theme, etc.), review methodologies (narrative, systematic, etc.) as well as thematic context (hydrology subjects and machine learning topics). We believe that our analysis can provide important insights into topics and discussions in hydrology and machine learning that need further exploration by hydrologists. Furthermore, the public online library on Zotero (https://www.zotero.org/groups/4828386/machine_learning_hydrology_review_papers/library) might encourage more participation towards sustainable literature search and active reading on this subject at the intersection of two fundamental disciplines, machine learning and hydrology.
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle