Notice bibliographique
Résumé
Editorial Board Annette GOUGH, RMIT University, Australia Ceren TEKKAYA, Middle East Technical University, Turkiye Dan SIVEK, University of Wisconsin, United States Elvan SAHIN, Middle East Technical University, Turkiye Eva ALERBY, Luleå University of Technology, Sweden Gaye TEKSOZ TUNCER, Middle East Technical University, Turkiye Gerald Robert CULEN, University of Florida, United States Gillian KIDMAN, Queensland University of Technology, Australia Hamide ERTEPINAR, İstanbul Aydın University, Turkiye Jale CAKIROGLU, Middle East Technical University, Turkiye Joe E. HEIMLICH, Ohio State University, United States John LIDSTONE, Queensland University of Technology, Australia Joseph STOLTMAN, Western Michigan University, United States Laura BARRAZA, Deakin University, Australia Marcia MCKENZIE, University of Saskatchewan, Canada Malgorzata GRODZINSKA-JURCZAK, Jagiellonian University, Poland Milan KUBIATKO, Masaryk University, Czech Republic Mehmet ERDOGAN, Akdeniz University, Turkiye Muhammet USAK, Zirve University, Turkiye Ozgul YILMAZ TUZUN, Middle East Technical University, Turkiye Paul HART, University of Regina, Canada Pavol PROKOP, Trnava University, Slovakia Philip C. SHORT, CISDE BTHS East, United States Sacit KOSE, Pamukkale University, Turkiye Sinan ERTEN, Hacettepe University, Turkiye Thomas J. MARCINKOWSKI, Florida Institute of Technology, United States
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) | 0,009 | 0,005 |
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 ».