Notice bibliographique
Résumé
This issue opens the fifth volume of Neuroinformatics, which is a good time to look at how the journal is doing, as it has evolved quite a bit as I wrote a similar editorial for the second volume (De Schutter, 2004). What has not changed is that we are very proud about our editorial work. Our impact factor is excel-lent for a journal with a strong emphasis on informatics and methods, we started at 3.0 for 2004 and are now at 3.9. This puts us heads and shoulders above all computational neuro-science, machine learning, and neuroscience methods ’ journals. We rank in the top-half of neuroscience journals, better than many classic neuroscience titles, and do even better in infor-matics in which we are ranked fourth in inter-disciplinary computer science. This high impact factor is supported by two trends, a positive and a negative one. Rather negative is that we publish relatively few arti-cles, in fact, the third and fourth volumes con-tained a quarter less articles than the first two. This helps of course with the impact factor but also reflects a rather low article submission rate. We expect that the good impact factor will help to solve this problem but will also make sure that a higher influx of manuscripts will not lead to a lowering of the quality of the journal. Nevertheless, this volume will still include only four issues, the increase to six volumes has been postponed till we get a permanent increase in article submission. The positive trend is that our high impact factor is supported by the multidisciplinary nature of the journal. In fact, the current issue is quite representative for the majority of our articles: we have three articles fitting within
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) | 0,099 | 0,007 |
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 ».