ASTRO's Advances in Radiation Oncology Outstanding Reviewers for 2022
Notice bibliographique
Résumé
Without our editorial board members and peer reviewers, scientific publishing would not be possible. The diligence and hours invested by our peer reviewers ensures the scientific integrity and quality of our manuscripts published in the American Society for Radiation Oncology's Advances in Radiation Oncology. Our reviewers work to eliminate biases and flawed methodology when identified. The process provides constructive feedback to authors that advances scientific knowledge and facilitates the publishing of valid scientific findings. We wish to recognize our outstanding reviewers and extend to them our gratitude for their hard work during the year 2022. Abdulla Al-Rashdan, MD, Dalhousie University Ahmed Abugharib, MD, PhD, University of Toronto Anurag K. Singh, MD, Roswell Park Comprehensive Cancer Center Arya Amini, MD, City of Hope National Medical Center Amar U. Kishan, MD, UCLA Christian Chinedu Okoye, MD, Mercy Medical Center Dana Casey, MD, University of North Carolina Health Edward Christopher Dee, MD, Memorial Sloan Kettering Cancer Center Emily Daugherty, MD, University of Cincinnati John Breneman, MD, Cincinnati Children's Hospital Medical Center Kang-Hyun Ahn, PhD, University of Chicago Nergiz Dagoglu, MD, Istanbul University Oncology Institute Paul J. Chuba, MD, PhD, St. John Macomb Oakland Hospital Parvez Memet Shaikh, MD, West Virginia University Ramiz Abu-Hijlih, MD, King Hussein Cancer Center Samuel Tay Chao, MD, Vantage Radiology & Diagnostic Services Scott R. Silva, MD, PhD, University of Louisville Health – Brown Cancer Center Sean Sachdev, MD, Northwestern Medicine Tarun K. Podder, PhD, Case Western Reserve University William C. Chen, MD, Long Island Jewish Medical Center at Northwell Health Ying Cao, MD, University of Kansas Cancer Center Robert C. Miller, Sharad Goyal, and C. Jillian Tsai report income from the American Society for Radiation Oncology.
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 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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».