Alaska Community Ice Observations - 2019-2022
Notice bibliographique
Résumé
This dataset contains community based observations of ice thickness throughout the winters of 2019/2020, 2020/2021, and 2021/2022. Observations are co-located within or near communities participating in the Fresh Eyes on Ice project, seeking to expand spatial coverage of ice observations and science literacy in classrooms around the state. This spatially distributed dataset provides valuable information about ice thickness through the winter for the period of 2019-2022 on lakes and rivers around Alaska, including Big Lake near Venetie, Alaska, Brown's Slough in Bethel, Alaska, Noyes Slough in Fairbanks, Alaska, the Tanana River near Fairbanks, Alaska, Shageluk Lake near Shageluk, Alaska, Third Lake near Noatak, Alaska, Alexander Lake in Galena, Alaska, Smith Lake near Fairbanks, Alaska, Big Trail Lake near Fairbanks, Alaska, Toolik Lake at Toolik Research Station, Alaska, Jan Lake near Tok, Alaska, Float Pond Lake near Nenana, Alaska, unnamed lakes in the communities of Kenny Lake, Alaska, Arctic Village, Alaska, Sleetmute, Alaska, and McGrath, Alaska, Pippen Lake near Tonsina, Alaska, Yukon River near Eagle, Alaska, Long Lake near Eagle Village, Alaska, Sculpin Lake near Chitina, Alaska, and Dog Pits Lakes near Fairbanks, Alaska . These observations were made by drilling of 3 holes in an undisturbed location at the site by students, teachers, and community members, as well as members of the Fresh Eyes on Ice project. Snow depth was recorded at each of the holes prior to drilling.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,170 | 0,019 |
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 ».