Time Budgets, Diaries, and Analyses of Concurrent Practice Activities
Notice bibliographique
Résumé
Introduction Time is an inescapable dimension of all human activity. What time of day, month, and year, for how long, before or after what other activity, how long before or after another given activity and how often, are questions answerable for all activities. The relevance of each question varies with one's perspective on the activity. Time-use methodology can provide rich, objective, and replicable temporal information to answer the questions posed, hence providing a basis for forming and/or collaborating empirical judgments. Coupled with other objective and subjective contextual information on each incident of an activity, time-use methodologies can generate invaluable information for understanding activities and human behavior. Time-use studies show how people use their time. Minimally, they show what activities people do, while maximally, they can show what people are doing, where they are, who they are with, and how they feel. Time-use studies can use a variety of data-collection methods ranging from self-reported activities to observation reports. In expertise research, time spent in an activity needs to be considered at a minimum of two different levels: a macro and a micro level. These two different levels encompass different units of time and provide different information about an activity. For example, at a macro level a researcher interested in music expertise may want to assess a typical week of training by analyzing time spent on general activities, such as practice alone, practice with a teacher, playing with others, resting, and so forth.
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 | 0,005 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».