The AEMON‐J "Hacking Limnology” workshop series & virtual summit: Incorporating data science and open science in aquatic research
Notice bibliographique
Résumé
Following the 2020 “Virtual Summit: Incorporating Data Science and Open Science in Aquatic Research” (DSOS; Meyer and Zwart 2020), a grassroots group of scientists convened the 2nd Virtual DSOS Summit on 22–23 July 2021. DSOS combined forces with the Aquatic Ecosystem MOdeling Network - Junior (AEMON-J; https://github.com/aemon-j) to host a 4-d “Hacking Limnology” Workshop Series prior to the summit (13–16 July 2021). The aim was to focus more deeply on skill development and networking among early career researchers (ECRs), both of which are key to growing a workforce of data-intensive aquatic scientists (López Moreira M et al. in press; Meyer et al. 2021a). To support ECRs further, we hosted a virtual job board, where participants could note if they were either looking for employment or hiring for a position. Like the 2020 summit, there was high enthusiasm for both the summit and the workshops. In total, 686 people from over 50 countries registered for the AEMON-J Workshop Series and the DSOS Summit. Countries with the highest number of registrants included the United States (41%), Nigeria (20%), Canada (6%), Brazil (6%), and Germany (5%) (Fig. 1). To increase accessibility, there were no registration costs for the workshops and summit, and we centralized introductory training materials, coding scripts, and presentation recordings in one community website (https://aquaticdatasciopensci.github.io/; Fig. 2), which we hope will continue to support the AEMON-J and DSOS communities over time.
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 | 0,046 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,037 | 0,184 |
| Science ouverte | 0,020 | 0,022 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».