Indicators of Global Climate Change 2022
Notice bibliographique
Résumé
This dataset contains standardised data for figures and results used in the Indicators of Global Climate Change paper (https://doi.org/10.5194/essd-2023-166). The below table details the author(s) of each dataset contained within the repository, and their homepages. Dataset Author(s) Original code repository Attribution of historical warming 1850-2022 Tristram Walsh, Aurélien Ribes, Nathan Gillett, Chris Smith https://github.com/ClimateIndicator/anthropogenic-warming-assessment Earth's energy imbalance 1971-2022 Matthew Palmer, Karina von Schuckmann https://github.com/ClimateIndicator/ocean-heat-content Effective radiative forcing 1750-2022 Chris Smith, Piers Forster https://github.com/ClimateIndicator/forcing-timeseries Global mean surface temperature anomalies 1850-2022 Blair Trewin https://github.com/ClimateIndicator/GMST Global temperature extreme anomalies 1950-2022 Mathias Hauser, Dominik Schumacher, Sonia Seneviratne https://github.com/ClimateIndicator/cip_extremes Greenhouse gas concentrations 1750-2022 Chris Smith https://github.com/ClimateIndicator/forcing-timeseries Greenhouse gas emissions 1750-2022 William Lamb https://github.com/ClimateIndicator/GHG-Emissions-Assessment Remaining carbon budgets in 0.1°C increments Robin Lamboll https://github.com/Rlamboll/CarbonBudget Each data file has associated metadata in YML format with details on the contact author and original repository of the source code (note no code is retained on this data repository). The metadata files include additional information about each dataset, including short descriptions, file sizes and MD5 hashes. .md and YML format files can be opened by any text editor (Notepad etc.).
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,124 | 0,170 |
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 ».