Notice bibliographique
Résumé
MODERATOR: Tony Alves Aries Systems Corporation North Andover, Massachusetts SPEAKERS: Elizabeth Caley Meta, Chan Zuckerberg Initiative Toronto, Ontario, Canada Anita Bandrowski SciCrunch/NIF/RRID University of California, San Diego La Jolla, California Timothy Houle Massachusetts General Hospital and Harvard Medical School Boston, Massachusetts Chadwick DeVoss NEX7, StatReviewer Madison, Wisconsin REPORTER: Darren Early American Society for Nutrition Rockville, Maryland Tony Alves introduced the session by informing the audience he would focus on three new tools: Meta, the Resource Identification Initiative, and StatReviewer. Elizabeth Caley began by noting that Meta had recently been acquired by the Chan Zuckerberg Initiative, which strives to develop collaborations between scientists and engineers, enable tools and technologies, and build support for science. The Meta Science platform was built using artificial intelligence to enable article discovery. It is currently used by researchers at >1200 institutions and includes 44 million unique pages. The Bibliometric Intelligence tool uses deep predictive profiling to predict Eigenfactor, citations, and top percentile rank in order to answer three core questions about a submitted manuscript: 1) Is it a fit for the journal? 2) What is its potential impact? and 3) Who are the best reviewers for it? This analysis helps editors pinpoint manuscripts at the time of submission that are appropriate for their journals and likely to be of high impact. Bibliometric Intelligence can thus be used to pre-rank manuscripts and intelligently cascade them to sister journals within a publisher’s portfolio. The algorithm’s results are regularly tested against the actual performance of articles. A detailed white […]
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 | 0,028 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,019 | 0,011 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,769 | 0,589 |
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 ».