Navigating the Jungle of CMIP Data as a First-Time User: Key Challenges and Future Directions 
Notice bibliographique
Résumé
Output generated by the different phases of the Coupled Model Intercomparison Project (CMIP) has underpinned countless scientific projects and serves as the foundation of the United Nations climate change reports. While initially CMIP was largely driven by the scientific curiosity in the broader climate modeling community, CMIP output has also become a crucial data source for disciplines more tangentially related to physical climate science such as the economic modelling community. The upcoming CMIP phase 7 is expected to produce the largest amount of CMIP-related data to date. However, with an increasing number of modelling systems, represented realms, model complexity, variable names, experiments, and different grid types, the initial exposure to CMIP output has undoubtedly become an overwhelming experience for first-time users. For this presentation, we would like to start a conversation with users who are in or have recent experience of being in the early stages of employing CMIP outputs for their research, and together identify:Key barriers and challenges experienced when first using CMIP data Additional documentation/tools needed to facilitate the use of CMIP data Key pieces of advice for new CMIP users
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 | 0,118 | 0,256 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,037 | 0,054 |
| Science ouverte | 0,009 | 0,022 |
| Intégrité de la recherche | 0,008 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,023 |
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 ».