IUPAC Announces the 2024 Top Ten Emerging Technologies in Chemistry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract IUPAC has released the 2024 Top Ten Emerging Technologies in Chemistry. The goal of this initiative is to showcase the transformative value of chemistry and to inform the general public about the potential of chemical sciences to foster the well-being of Society and the sustainability of our planet. The Jury The following comprised the panel of judges for the 2024 Top Ten Emerging Technologies in Chemistry: Chair, Michael Droescher, (German Association for the Advancement of Science and Medicine), Jorge Alegre-Cebollada (Centro Nacional de Investigaciones Cardiovasculares, Spain), Mamia El-Rhazi, (Université Hassan II de Casablanca, Mohammedia, Morocco), Ehud Keinan (Technion, Israel), Javier García Martínez (Universidad de Alicante, Spain), Rai Kookana (CSIRO Land & Water, Australia), Juliane Sempionatto (Caltech, USA), Molly Shoichet (University of Toronto, Canada), Zhigang Shuai (Tsinghua University, China), Natalia P. Tarasova (D. I. Mendeleev University of Chemical Technology, Russia), Kira Welter (Wiley-VCH, Germany), and Bernard West (Life Sciences Ontario, Canada) —an international panel of scientists with a varied and broad range of expertise- reviewed and discussed the diverse pool of nominations of emerging technologies submitted by researchers from around the globe and selected the final top ten, covering a range of fields from synthesis and polymer chemistry to health and machine learning. These technologies are defined as transformative innovations in between a discovery and a fully-commercialized technology, having outstanding potential to open new opportunities in chemistry, sustainability, and beyond.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
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 découle