MétaCan
Menu
Retour à la cohorte
Enregistrement W4323042471 · doi:10.1002/lob.10557

SystemLink: Moving beyond Aquatic–Terrestrial Interactions to Incorporate Food Web Studies

2023· article· en· W4323042471 sur OpenAlexfundno aff
Alessandro Manfrin, Jens Schirmel, Clara Mendoza‐Lera, Adeel Ahmed, Ralf Bohde, Melanie Brunn, Carsten A. Brühl, Christian Buchmann, Mirco Bundschuh, Florian Burgis, Dörte Diehl, Martin H. Entling, Caroline Ganglo, Sebastian Geissler, Verena Gerstle, Johanna Girardi, Tobias Graf, Maike Huszarik, Jellian Jamin, Tanja Joschko, Hermann F. Jungkunst, Anja Knäbel, Sara Kolbenschlag, Andreas Lorke, Katherine Muñoz, Collins Ogbeide, Stephen E. Osakpolor, Sebastian Pietz, Kai Riess, Alexis P. Roodt, Lorenzo Rovelli, Nina Röder, Verena Rösch, Gabriele E. Schaumann, Ralf B. Schäfer, Tobias Schmitt, Daniel Schmitz, Klaus Schützenmeister, Klaus Schwenk, Sebastian Stehle, Ralf Schulz

Notice bibliographique

RevueLimnology and Oceanography Bulletin · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueIsotope Analysis in Ecology
Établissements canadiensnon disponible
Organismes subventionnairesDeutsche ForschungsgemeinschaftYork University
Mots-clésFood webEnvironmental scienceOceanographyEnvironmental resource managementEcologyBiologyGeologyEcosystem

Résumé

récupéré en direct d'OpenAlex

science projects, but also data providers, relatively early on.However, at the core and perhaps the most important factor contributing to the successful continuity of this project, is the dedication and engagement of the CLIC community scientists.We are incredibly fortunate that our community scientists are passionate and supportive of this work.To date, this project has collected over 52,500 lake ice phenology observations for 1008 lakes, and involved 935 monitors over the years (Fig. 3).As we work toward organizing these vast datasets, we look forward to exploring important questions on how climate change is affecting lake ice phenology across small and large lakes in the United States and identifying which lakes are most vulnerable to rapid ice loss.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,550
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,258
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLimnology and Oceanography BulletinMême sujetIsotope Analysis in EcologyTravaux en français237 207