BAZI EKOLOJİ TERİMLERİNİN KAMUOYU TARAFINDAN BİLİNME DÜZEYLERİNİN ANALİZİ
Bibliographic record
Abstract
Son yıllarda toplumun çok farklı kesimleri tarafından ekoloji terimleri kullanılır olmuştur. Bilginin yayılması açısından önemli olan bu husus çalışmaya konu edilmiştir. Bu amaçla, Türkçe temel ekoloji metinlerinden belirlenen 45 ekoloji terimi üzerinde çalışma yapılmıştır. İstanbul’da yaşayan toplam 400 kişiye söz konusu ekoloji terimlerini bilme düzeyleri ve ekoloji terimini bilgilenme kaynakları sorulmuştur. Sonuç olarak, ekoloji terimlerinin bilgilenme düzeyi en yüksek olan terimler Kirlilik (%79,3), Kuraklık (%77,8) ve Erozyon (%75,8) olarak belirlenmiştir. En az bilinen ekoloji terimleri Alpin (%88,5), Omnivore (%87,0) ve Denitrifikasyon (%82,8) olduğu tespit edilmiştir. Ekoloji terimlerinin bilgilenme kaynağı ortalama değerlere göre kitap seçeneği (%19,6) olmakla birlikte bilinme düzeyini gazete, internet ve televizyon seçeneklerinin yüksekliği önemli katkı sağlamıştır. Dolayısıyla ekoloji terimlerinin bilinmesini arttırmak ve topluma doğru bir şekilde aktarılabilmesini sağlamak için bu bilgilenme kaynakları kullanılması oldukça etkili olacaktır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".