Notice bibliographique
Résumé
Meta-Data: The rep column is the number plots that I examined throughout my experiment. I survey one hundred 0.5mx0.5m quadrants in total. The date is when I collected my pilot experiment data for the solo survey, which was on October 20th, 2020. The researcher who conducted this experiment was me, James Zabbal. The location where I conducted this experiment was in a path/forest area that is located behind my house in King City, Ontario. It has a variety of different plant species there and is located beside a pond. The species richness column is how many different plant species were in each quadrant I had examined. The plants in my data include Trifolium prantense, Symphyotrichum novae-angliae, Rudbeckia, Solidago canadensis and Sinapis arvensis. The total cover column was a rough estimate (by percentage) of how much of each quadrant was covered by plants. Near pond is if the data I collected for my replicates was beside the lake or not. Y = yes = 0-5 meters distance from the pond. N = no = 30+ meters from the pond. I collected the data for my experiment by picking a start point (threw a rock in the air and where it landed is where I started) on the path and using a measure tape, I measured 0.5mx0.5m quadrants for each data point I collected. To include randomization in my experiment, I used a random number generator. For every even number, I took a meter step forward for my next data point, and for every odd number I took a 2-meter step forward for my next data point. I took notes of the different plant species I saw in each quadrant, and then roughly estimated how much of the quadrant space the plants took up (plants vs open land/grass).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,112 | 0,043 |
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 source (Gemma direct ou Codex distillé), 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 ».