MétaCan
Menu
Retour à la cohorte
Enregistrement W4377251035 · doi:10.1515/9780228010265-002

Preface

2021· book-chapter· en· W4377251035 sur OpenAlexaboutno aff

Notice bibliographique

RevueMcGill-Queen's University Press eBooks · 2021
Typebook-chapter
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

This study began with a serendipitous observation.Several years ago, when I first examined the Alberta Energy Regulator's spill data, I noticed a curious property.If one cubic metre was spilled of, say, crude oil, one cubic metre was recovered; if five cubic metres were spilled, five cubic metres were recovered, and so on.Certainly, that can happen by chance.But tens of thousands of spills reporting an exact duplication of volumes spilled and volumes recovered cannot happen in the real world.I graphed spill volume against recovery volume.It was a straight-line 1:1 relationship.In short, the spill recoveries were too good to be true.At that point, I smelled smoke and went looking for the fire.If the reported spill recoveries were not scientifically credible, serious questions arose.Did it mean that undetermined volumes of spilled materials remain on the landscape?Were industry-reported spill and recovery volumes accurate?After cleanup operations, was there evidence of residual contamination and biological effects?Were any of the regulator's environmental data on spills supported by science?Was the regulator protecting the environment?Those questions prompted discussions with Keepers of the Water Council, a nonprofit citizens' water advocacy and conservation group.Keepers, along with the Dene Tha, a First Nation directly affected by fossil fuel industry spills, asked me to examine spills data in concert with a field study.I completed the initial phase of the study, focused in northwestern Alberta, in late 2016.

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 candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0020,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,185
Écart entre enseignants0,173 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMcGill-Queen's University Press eBooksMême sujetOil Spill Detection and MitigationTravaux en français237 207