Day 1: Practical Applications of Altmetrics and Novel and Experimental Uses of Altmetrics
Notice bibliographique
Résumé
Practical Applications of Altmetrics session: Chair: Hans Zijlstra, Elsevier - Leveraging altmetrics as opportunity indicators: David Sommer, Kudos - Using examples of high Altmetric scores as a roadmap for pre- and post-publication editorial support: Sacha Noukhovitch, STEM Fellowship - Can altmetrics data help researchers fine-tune their publication strategies? : Camilla Lindelöw, Södertörn University - Who’s talking about you? Using altmetrics in library assessment: Melanie Cassidy and Ali Versluis, University of Guelph Novel and Experimental uses of Altmetrics session: Chair: Andrea Michalek, PLUM/Elsevier - Temporal visualisation of altmetrics data across heterogenous sources: Waqas Khawaja, National University of Ireland Galway - ARIA: Aravind Raamkumar Sesagiri, Nanyang Technological University - Using altmetrics to highlight academic research: innovative possibilities: Rajiv Nariani, York University
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 | 0,062 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,017 | 0,015 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,013 |
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 ».