MétaCan
Menu
← Retour à la cohorte
Enregistrement W4386531900 · doi:10.5194/egusphere-2023-1730-rc1

Comment on egusphere-2023-1730

2023· peer-review· en· W4386531900 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTransformative learningBiodiversityProcess (computing)Political sciencePoliticsInternational communityPublic relationsEnvironmental resource managementBusinessSociologyComputer scienceEcologyEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Abstract. Despite being considered one of the most pressing global issues, biodiversity loss and the degradation of ecosystems is continuing at an alarming rate. In December 2022, COP15 saw the adoption of the Kunming-Montreal Global Biodiversity Framework, where four overarching international goals for biodiversity and 23 targets. While these targets are a positive step to address the drivers of biodiversity loss, we will not only need public and political will to reach the goals and targets outlined but also more effective methods to integrate and use scientific information. To facilitate this, scientists and research institutions need to establish new and innovative approaches to transform the way science is conducted, communicated, and integrated into the policymaking process. This will require the scientific community to become proficient at working in inter and transdisciplinary teams, establishing connectivity, and engaging in the policymaking process to ensure that the best available scientific evidence is not only comprehensible to decision makers, but also timely and relevant. Here, we detail how scientists can embrace transformative change within and outside of their own communities to increase the impact of their research and help reach global targets that benefit society.

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)0,006
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut 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: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,827
Score d'incertitude au seuil0,580

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0050,002
Communication savante0,0050,004
Science ouverte0,0030,003
Intégrité de la recherche0,0420,016
Charge utile insuffisante (le modèle a refusé de juger)0,1730,112

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 Opus0,073
Tête enseignante GPT0,313
Écart entre enseignants0,240 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSpecies Distribution and Climate Change→Travaux en français237 207→