Analýza užívaných citačních stylů v publikacích autorů z lékařských, sportovních a přírodovědných oborů na Masarykově univerzitě
Bibliographic record
Abstract
Příspěvek představuje výsledky analýzy citačních stylů, podle kterých citovali autoři z vybraných fakult Masarykovy univerzity. Autoři z lékařské fakulty citovali nejčastěji podle stylu Vancouver/NLM (32, 42 % případů) nebo ISO 690 (12, 71 %), autoři z fakulty sportovních studií podle stylu APA (38,24 %), ISO 690 (6,86 %) nebo Vancouver/NLM (5,39 %) a autoři z přírodovědecké fakulty podle vlastního stylu časopisu (46,60 %). Některý z obecně známých stylů následovali jen autoři z oboru astrofyzika (40,74 % případů podle stylu AIP) a z oborů biofyzika (30,23 %), biochemie (10,63 %) a chemie (30 %), kteří citovali podle stylu ACS. Výsledky ukázaly styl Vancouver/NLM jako nejvhodnější k citování v lékařských oborech. V případě sportovních oborů je třeba další výzkum pro ověření, jestli místo stylu APA není vhodnější styl Vancouver/NLM. Další výzkum je nezbytný i v přírodovědných oborech. K identifikaci vhodného citačního stylu pro přírodovědeckou a sportovní fakultu kromě analýzy citačních stylů užívaných autory je nutno provést i analýzu četnosti citovaných dokumentů podle jejich typu a dotazníkové šetření mezi vyučujícími.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.008 |
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".