Acknowledgment to Reviewers, 2022
Notice bibliographique
Résumé
The Asian Pacific Journal of Tropical Biomedicine would like to thank all reviewers for their expertise and sparing their precious time to review articles. Their efforts have contributed greatly to the continuous growth of the Journal. Here we acknowledge, with special thanks, to those who reviewed one or more papers for the Journal in 2022. All the reviewers are listed below by countries or regions: A Idoko, Nigeria A Teo, Australia Abdel Samad EL Shamy, Egypt Akbar Anaeigoudari, Iran Ali Ganji, Iran Antonella Canini, Italy Arulazhagan Pugazhendi, Saudi Arabia Arunkumar Elumalai, India B Abdallah, Denmark C Seonheui, Korea D Arya, India D Famakinde, Nigeria E Elfayoumy, Egypt E Gajda, Poland Elham Ahmadian, Iran Esraa Ahmed, Egypt G Fragoso-González, Mexico G Rigane, Saudi Arabia Gautam Sethi, Singapore Haleh Vaez, Iran Hamid Tebyaniyan, Iran Huseyin Erol, Turkey I Abubakar, Uganda K Ho, Korea Khurshid Jalal, Pakistan K Maithal, India L Beber, Brazil L Liu, China M Ashrafizadeh, Turkey M Basaran, Turkey Mahmoud Khalil, Egypt Maria Adelina Jiménez-Arellanes, Mexico Muhammad Furqan Akhtar, Pakistan Muhammad Qasim, Pakistan Olga Wesołowska, Poland Omyma Ahmedn Abou Zaid, Egypt P Deo, Australia Jae Ho Park, Korea P Pocasap, Thailand R Khan, Pakistan R Sistla, India Radhiga Thangaiyan, India Ramprasath Vanu Ramkumar, Canada S Abbes, Tunisia S Davaran, Iran S Gao, United States Salar Hafez Ghoran, Iran Sankarganesh Arunachalam, India Seyed Alireza Esmaeili, Iran Sundaresan Arjunan, India T Srisongkram, Thailand Talha Bin Emran, Bangladesh V George, India V Madic, Serbia VijayAnand M, Korea Virginia Concato, Brazil W Chang, China W Vongsangnak, Thailand Y Bao, United Kingdom Y Chiu, China Yeliz Demir, Turkey Z Kozovska, Slovakia
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».