Notice bibliographique
Résumé
Editorial fellowships provide an important opportunity for trainees and early career researchers to learn about the peer review process, manuscript handling, and journal operations 1 , 2 . This not only supports their own publishing practices but also prepares them to become robust reviewers, editorial board members, and editors 1 , 2 . Although several editorial fellowships exist, few have focused on transformative areas in medicine, such as artificial intelligence and digital health 3 , 4 . To address this gap, npj Digital Medicine established an Editorial Fellowship in 2021, teaching fellows how to assess and write about cutting-edge research in digital medicine 5 . The fellowship is managed by Editor-in-Chief Dr. Joseph Kvedar and Publishing Editor Dr. Tony Chen 5 . An open call for applications takes place each year and one candidate is selected to enter the program 5 . In the 2025–26 application cycle, there were 45 applications for one position. Applicants came from diverse backgrounds and geographic regions, with varied levels of training, areas of focus, and expertise. These descriptors highlight the strong and broad interest in the fellowship. This article discusses the structure and outcomes of the npj Digital Medicine Editorial Fellowship, along with my personal learning experiences as a recent graduate of the program.
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 | 0,007 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,012 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».