Bibliographic record
Abstract
El 2021 esdevé un any important per a la revista Ebre 38. Com sabeu el món de les publicacions científiques està experimentant canvis i transformacions molt ràpides i, na-turalment, la nostra publicació s'ha d'adaptar. Ebre 38 és una revista científica integrada enl'estructuradelRCUB(Revistes Científiques de la Universitat de Barcelona), i com a revista científica aspira a guanyar en qualitat i encomplirles condicions necessàries per anar figurant en elsrànquingsmés prestigiosos quant a publicacions. Aquestaésara la nostra voluntat i un dels nostres objectius principals, que la revista “puntuï”en l'univers de la cultura universitària. Al respecte hem avançat molt i avançarem encara més de cara al proper número del 2022.En la nova etapa la revista continuarà mantenint el seu caràcter transversal recollint arti-cles d'història, arqueologia, didàctica, patrimoni, recreació històrica, etc. S'incorporarà la identificació DOI als articles, la plataforma integral d'edició (comuna a totes les revistes delRCUB) permetrà una millor gestió dels articles en tots els sentits. La revista deixa d'editar-se en paper i passa al format electrònic. Seguint la tendència funcional del mo-ment adoptem plenament la filosofia i el sistemaOJS(OpenJournalSystems) que per-metrà un accés gratuït a tots els lectors i usuaris.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.020 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.019 | 0.007 |
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".