MétaCan
Menu
Retour à la cohorte
Enregistrement W4393063292 · doi:10.3819/ccbr.2024.190001

Comparative Cognition Needs Big Team Science: How Large-Scale Collaborations Will Unlock the Future of the Field

2024· article· en· W4393063292 sur OpenAlexfundvenueno aff
Nicolás Alessandroni, Drew Altschul, Marina Bazhydai, Krista Byers‐Heinlein, Mahmoud Medhat Elsherif, Biljana Gjoneska, Ludwig Huber, Valeria Mazza, Rachael Miller, Christian Nawroth, Ekaterina Pronizius, Muhammad A. J. Qadri, Vedrana Šlipogor, Mélanie Söderström, J. R. Stevens, Ingmar Visser, Madison Williams, Martin Zettersten, Laurent Prétôt

Notice bibliographique

RevueComparative Cognition & Behavior Reviews · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueScientific Computing and Data Management
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of General Medical SciencesSocial Sciences and Humanities Research Council of CanadaLeverhulme TrustNational Institutes of HealthJihočeská Univerzita v Českých Budějovicích
Mots-clésComparative cognitionField (mathematics)CognitionScale (ratio)PsychologyCognitive scienceData scienceAnimal behaviorAnimal cognitionComparative psychologyManagement scienceComputer scienceEngineeringNeuroscienceBiologyGeographyZoology

Résumé

récupéré en direct d'OpenAlex

Comparative cognition research has been largely constrained to isolated facilities, small teams, and a limited number of species. This has led to challenges such as conflicting conceptual definitions and underpowered designs. Here, we explore how Big Team Science (BTS) may remedy these issues. Specifically, we identify and describe four key BTS advantages – increasing sample size and diversity, enhancing task design, advancing theories, and improving welfare and conservation efforts. We conclude that BTS represents a transformative shift capable of advancing research in the field.

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)0,098
score de la tête « metaresearch » (Gemma)0,111
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,902
Score d'incertitude au seuil0,516

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0980,111
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0040,022
Communication savante0,0070,019
Science ouverte0,0020,008
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,216
Tête enseignante GPT0,443
Écart entre enseignants0,227 · 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'étudeThéorique ou conceptuel
DomaineMéthodes
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

Citations11
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComparative Cognition & Behavior ReviewsMême sujetScientific Computing and Data ManagementTravaux en français237 207