Notice bibliographique
Résumé
Contemporary Shevchenko studies have various nuances, which are increasingly updated during the celebration of Kobzar's birthday. In today's conditions, Google offers the Google Trends search tool for use, which makes it possible to assess the level of interest or popularity of a certain topic, which can be of great importance for the development of international cultural programs. The article proposes the use of an innovative approach to the assessment (measurement) of interest in the topic of Shevchenko studies by means of Google in Ukraine and the world. The interest (demand) on the subject of Shevchenko studies in Ukraine and the world was assessed using Google Trends techniques in modern conditions, it was determined how often Internet users turn to the figure of Taras Shevchenko in the world, how the topic of Shevchenko studies is widespread in the cultural information field of various countries (using the example of Poland), which regions of Ukraine and the world are most often interested in the figure of Taras Shevchenko nowadays. Interest in the name of Taras Shevchenko in the English language over the last year in the world has increased sharply in the first week of the beginning of the aggression against Ukraine, which confirms the association of Ukraine with the name of Taras Shevchenko in the world. Regarding the country distribution of interest, it is statistically significant, there are more than 30 countries in the list, their composition has changed since 2004 in the direction of European countries and Canada. It has been established that the topic of the figure of Taras Shevchenko himself is relevant throughout the modern world, but the topic of Shevchenko studies needs further informational support from the citizens of Ukraine and their friends in all countries of the world.
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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 tête enseignante, 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 ».