Notice bibliographique
Résumé
Leigh Kersh was born in El Paso, Texas to Moe and Rosie Kersh. Leigh attended The University of Texas at El Paso and The University of Texas at Austin before attending New York University and graduating with a degree in Physiology. While Leigh finished her degree at NYU, she worked for Federal Express in customer service and then once she graduated she became their corporate physiologist. Leigh credits her time with Federal Express for learning how to do customer service, how to run an operation, and how to train the right people for the company. Leigh grew up watching her father work in real estate and learned how to be business savvy from her father. Leigh is bi-lingual in English and Spanish and speaks Hebrew and Russian as well. Leigh left Federal Express in New York and to work in North Miami Beach Florida. While in North Miami Beach, Leigh was offered to buy a chocolate shop. Leigh recalled a chocolate shop she loved in Rockefeller Center back in New York and she seized the opportunity to purchase the shop. Leigh spent over a decade in Miami, building the chocolate shop into a massive business which she was able to sell in three months and retire. Leigh returned to El Paso on a visit and was reintroduced to a former crush and they fell in love and Leigh decided to return to El Paso permanently. She opened her own chocolate store in El Paso called Chocolat. Leigh values her customers and takes great steps to ensure that anyone who enters the shop will be able to find the right piece of chocolate for the right price. Leigh has a lot of pride in her store and only offers the best chocolate. Leigh’s advice to entrepreneurs is to be prepared to work, be organized, consistent with the product and with good customer service and to be creative so as to offer a unique product.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 tête enseignante, 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 ».