International Advocate for Peace Award Acceptance Speech
Notice bibliographique
Résumé
I feel very much at home here because I was here three or four year ago at a symposium at the law school-a panel with Adam Durshowitz and Erwin Cogler, who was then Administer of Justice of Canada, and others. I have also received an honorary doctorate from Yeshiva University, and I feel very much at home here. I just met Dean Dillard and Professor Love, but I have some longtime friends here: Professor Weisberg, who I will talk about in a moment, is one of the heroes of this whole episode; Eric Pan, your professor of Commercial and International Law, was one of our great associates at Covington Burling who had the good judgment not to fill out any more time sheets and to actually teach. And so it is really a particular pleasure to be here. And Jordan [Walerstein], thank you very much for everything you have done; I am very honored to receive the award, especially from the entity that is giving it to me in light of the past recipients.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,003 |
| Communication savante | 0,013 | 0,006 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,030 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,105 | 0,038 |
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 ».