MétaCan
Menu
Retour à la cohorte
Enregistrement W4387952215 · doi:10.1109/ccece58730.2023.10288768

Program

2023· article· en· W4387952215 sur OpenAlexaff
John Desjarlais -Apegs, Dennis Michaelson, Edward Doolittle, Di Wu, Arnaud Zinflou, Boulet Benoit, Robert Crawhall, Maike Luiken, Richard Boudreault, Siddharth Pandey -Nasa, Samantha Sriyananda

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueIndigenous Knowledge Systems and Agriculture
Établissements canadiensPotashCorp (Canada)First Nations University of CanadaUniversity of ReginaWestern University
Organismes subventionnairesnon disponible
Mots-clésIndigenousVariety (cybernetics)Traditional knowledgeDiversity (politics)PhraseReciprocalSociologyEnvironmental ethicsEcologyGeographyComputer scienceLinguisticsAnthropologyArtificial intelligenceBiology

Résumé

récupéré en direct d'OpenAlex

Umbria "Indigenous Ways of Knowing" is a useful term that recognizes the beautiful complexity and diversity of Indigenous ways of learning and teaching.Many people continue to generalize Indigenous experience and lived realities.The intent of the phrase "Indigenous Ways of Knowing" is to help educate people about the vast variety of knowledge that exists across diverse Indigenous communities.It also signals that, as Indigenous Peoples, we don't just learn from human interaction and relationships.All elements of creation can teach us, from the plant and animal nations, to the "objects" that many people consider to be inanimate.So, our Indigenous ways of knowing are incredibly sophisticated and complex.These ways relate to specific ecology in countless locations, so the practices, languages and protocols of one Indigenous community may look very different from another.Yet, Indigenous ways of knowing are commonly steeped in a deep respect for the land, and the necessity of a reciprocal relationship with the land.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
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: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,278
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0030,002
Science ouverte0,0020,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,7220,352

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 Opus0,015
Tête enseignante GPT0,220
Écart entre enseignants0,205 · 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
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndigenous Knowledge Systems and AgricultureTravaux en français237 207