Leveraging data science for change: navigating perspectives in a world of rapid transformation.
Notice bibliographique
Résumé
In today’s interconnected world, data surged in volume. This exponential increase in data availability has sparked the rise of data science and artificial intelligence (AI), changing how we handle information (Aldoseri et al. 2023). In a world undergoing rapid change across various dimensions, it is important to involve data-driven methods to be able to assess and to follow, and assist citizens in their sustainable actions and projects. These methods help analyze, support, and motivate citizens in actions and projects, addressing complex issues like biodiversity loss, urban liveability, and local activism. With a focus on inclusivity and adaptability, the session aimed to discuss transformative potential approaches that integrate citizen science, data science, and human-computer interaction (HCI). Of particular importance was the focus on the ethical considerations of data science and AI, emphasizing fairness and equity in decision-making, and showcase real-world impacts. Additionally, we explored the conditions for cross-disciplinary collaborations among data scientists, citizen scientists, researchers, practitioners, within various citizen science projects. The current paper presents the session report, highlighting the main discussion points and conclusions.
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 | 0,038 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,021 | 0,025 |
| Communication savante | 0,028 | 0,045 |
| Science ouverte | 0,003 | 0,027 |
| Intégrité de la recherche | 0,010 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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; 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 ».