Wading Deep into Canal Spatial Data: The "Geo" in RDM
Notice bibliographique
Résumé
For the very first time… The 19th century Historic Welland Canals in Canada have been digitally reconstructed overlaying the current landscape and published as an interactive visualization web mapping tool for the world to explore, The Historic Welland Canals Mapping Project. Data generated from this HGIS research project includes layers upon layers of geospatial data, created using GIS technologies, that intricately define canal features. The routes, towpaths, locks, weirs, weirponds, and all surviving features are nicely netted in a local geodatabase, with nowhere to share. So, what’s next? Understandably, the “D” in RDM is an all-inclusive term for many data formats. However, geospatial data introduces a level of complexity where RDM tools can fall short in achieving their goal. As part of the scholarly process, this study explores a “researcher’s” approach to [geo]data management. In 2015 The Canadian Association of Research Libraries launched the Portage Network, with the aim to provide support, expertise, and tools needed to manage research data. An assessment of the Portage tools as they apply to geospatial data – the DMP Assistant (data management plan); RDM Primer; metadata creation; and data services – will be the focus of this talk. A demonstration of the canal data re-used to locate a sunken canal schooner - the subject of an upcoming archaeology dig – will be presented, as well as stories of creating canal geodata.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,313 | 0,003 |
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 ».