MétaCan
Menu
Retour à la cohorte
Enregistrement W4385367566 · doi:10.1029/2023av000894

Pillars of Cloud‐Based Earth Observation Science Education

2023· article· en· W4385367566 sur OpenAlexaff
Morgan A. Crowley, Michelle Stuhlmacher, Erin Trochim, Jamon Van Den Hoek, Valerie J. Pasquarella, Sabrina H. Szeto, Jeffrey T. Howarth, Rutherford V. Platt, Samapriya Roy, Beth Tellman, TC Chakraborty, Amber R. Ignatius, Emil Cherrington, Kel Markert, Qiusheng Wu, M. D. Madhusudan, Timothy Mayer, Jeffrey A. Cardille, Tyler Erickson, Rebecca Moore, Nicholas Clinton, David Saah

Notice bibliographique

RevueAGU Advances · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensSte. Anne's HospitalNatural Resources CanadaMcGill UniversityCanadian Forest Service
Organismes subventionnairesPacific Northwest National LaboratoryBattelleU.S. Department of Energy
Mots-clésCloud computingLeverage (statistics)Paradigm shiftEarth observationData scienceComputer scienceDiversity (politics)Knowledge managementEarth scienceWorld Wide WebMultimediaEngineeringPolitical scienceGeologyAerospace engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Earth observation (EO) is undergoing a paradigm shift with the development of cloud‐based analytical platforms supporting EO data collection and access, parallel processing, easier communication of results, and expanded accessibility. As the global community of users and the diversity of applications grow, there is a clear need for expanded educational capacity to leverage these developments and increase the impact of EO research and teaching. Drawing upon extensive conversations between educators, practitioners, and researchers, we propose three pillars that must be prioritized to prepare students, researchers, and professionals to take full advantage of the cloud‐based EO paradigm and guide future growth.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,119

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0050,013
Communication savante0,0130,007
Science ouverte0,0020,019
Intégrité de la recherche0,0040,012
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,012
Tête enseignante GPT0,255
Écart entre enseignants0,244 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAGU AdvancesMême sujetRemote Sensing in AgricultureTravaux en français237 207