Code Supplement for Exploring the spatially explicit predictions of the Maximum Entropy Theory of Ecology
Notice bibliographique
Résumé
This file contains all the code needed to replicate the analyses of McGill, D.J., X. Xiao, J. Kitizes, and E.P. White. submitted. Exploring the spatially explicit predictions of the Maximum Entropy Theory of Ecology. http://biorxiv.org/content/early/2014/03/30/003657 This file should be decompressed in what R recognizes as the home directory (the R code will need to be modified if you decide not to use your home directory). R v 2.12 or higher and python 2.6 are needed to run the code. The following python packages are required: matplotlib, mpmath, numpy, and scipy, and the following R packages are required: vegan, hash, RCurl and bigmemory. It is also possible to access this code via GitHub at the following addresses: The primary code repository is located at: https://github.com/weecology/mete-spatial Additional scripts needed to run the core METE DDR functions are located here: https://github.com/weecology/METE https://github.com/weecology/macroecotools After the files are downloaded (from GitHub) or decompressed (from the mete-spatial.zip file) navigate to the METE directory and run the following python command python setup.py install run the same command in the macroecotools directory. To download the publically available data and run the analysis navigate to the directory ~/mete-spatial and run the command: Rscript ddr_run_all.R This script will download two datasets, analyze them, and graph the results. The plots will appear in the directory ~/mete-spatial/figs/
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,723 | 0,420 |
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 ».