NetCDF templates and code for creating and loading ATOMIX ADV benchmark datasets
Notice bibliographique
Résumé
Summary This database contains tools that help interacting with ATOMIX SCOR working group #160 (ADV subgroup) NetCDF benchmark files. The templates for our recommended metadata was derived from the testing done by working group members with financial support from NSF grant #OCE-2140395 and contributions from national SCOR committees. The ATOMIX wiki has more information about the group's activities. This repository is meant to accompany the ADV's subgroup best practices manuscript, which is about to be submitted. This repo will be updated once the citation is available. Loading NetCDF files Matlab load_netcdf_data('exampleBenchmark.nc') which can be found in this repository in https://github.com/SCOR-ATOMIX/ShearProbes_BenchmarkComparison JuliaLang using NCDatasets NCDataset("exampleBenchmark.nc") GUI tool NASA GISS: Panoply 5 netCDF, HDF and GRIB Data Viewer Yaml templates with example metadata written into benchmark NetCDF file global_tidal_mavs.yml allows the user to write the global metadata for the NetCDF file (instrument model, deployment details, etc) group_metadata.yml shows standard information expected at each processing (group) level within the NetCDF file flags_metadata.yml has metadata associated with variables stored within some of the groups such as EPSI_FLAGS and VEL_FLAGS (e.g., XYZ_VEL_FLAGS, ENU_VEL_FLAGS, or BEAM_VEL_FLAGS). Namely, the thresholds used for the quality-control metrics. These templates are provided to showcase what type of metadata should be written into the NetCDF files. Many programming languages can read yaml, but the user can obviously choose another tool to write the required metadata into their NetCDF files.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».