Today university rankings and performance rankings (ot en based on JIFs, h-indexes) are believed to be indispensable to assure scientii c “quality”. Most of these performance rankings employ citation data provided by h omson Reuters. TR’s current inl uence on funding decisions, individual careers, institutions, disciplines and countries is immense and ambivalent. h ere is increasing resistance against “impactitis” and “evaluitis”. Usually overseen: Trivial errors in TR’s citation indexes (SCI, SSCI, AHCI) produce severe non-trivial ef ects: h eir victims are authors, institutions, journals with names beyond the ASCIIcode and scholars of humanities and social sciences. Based on the Joshua Lederberg Papers I claim: To overcome severe resistance Eugene Gari eld and Joshua Lederberg had to foster overoptimistic attitudes and to downplay the severe problems connected to global and multidisciplinary citation indexing. h e dii culties to handle dif erent formats of references and footnotes, non- Anglo-American names, and of publications in non-English languages were known to the pioneers of citation indexing., Dnešní žebříčky univerzit a výkonnosti (často založené na JIF a h-indexech) jsou považovány za nepostradatelné pro zajištění vědecké „kvality“. Většina z těchto žebříčku produktivity využívá citační údaje poskytnuté h omson Reuters. Současný vliv TR na rozhodování o i nancování, na individuální kariéry, instituce, obory a země je ohromný a ambivalentní. Odpor vuči „impaktitidě“ a „evaluatitidě“ se zvyšuje. Obvykle je přehlížena skutečnost, že triviální chyby v citačních indexech TR (SCI, SSCI, AHCI) mají závažné, netriviální následky: jejich obětmi jsou autoři, instituce, časopisy vymykající se ASCII-kódu a akademici v humanitních a sociálních vědách. Na základě rozboru Joshua Lederberg Papers tvrdím, že aby překonali tvrdý odpor, Eugene Gari eld a Joshua Lederberg museli protěžovat přehnaně optimistické postoje a zlehčovat vážné problémy spojené s globálními a multidisciplinárními citačními indexy. Obtíže plynoucí z ruzných formátu odkazu a poznámek, jiných než anglo-amerických jmen a publikací v jiných jazycích než v angličtině byly známy již prukopníkum citačních indexu., and Terje Tüür-Fröhlich.
Software measurements provide developers and software managers with information on various aspects of software systems, such as effectiveness, functionality, maintainability, or the effort and cost needed to develop a software system. Based on collected data, models capturing some aspects of software development process can be constructed. A good model should allow software professionals to not only evaluate current or completed projects but also predict future projects with an acceptable degree of accuracy.
Artificial neural networks employ a parallel distributed processing paradigm for learning of system and data behavior. Some network models, such as multilayer perceptrons, can be used to build models with universal approximation capabilities. This paper describes an application in which neural networks are used to capture the behavior of several sets of software development related data. The goal of the experiment is to gain an insight into the modeling of software data, and to evaluate the quality of available data sets and some existing conventional models.
V tomto roce se uskuteční další komplexní evaluace pracovišť Akademie věd ČR, tentokrát za období 2010-2014. Některé jeho nové aspekty přiblížila prof. Eva Zažímalová, která v Akademické radě AV ČR odpovídá za přípravu hodnocení a je rovněž zastupující osobností při řešení koncepčních otázek podpory vědy z veřejných prostředků. and Marina Hužvárová.
This article presents an alternative approach useful for medical practitioners who wish to detect malaria and accurately identify the level of severity. Malaria classi?ers are usually based on feed forward neural networks. In this study, the proposed classiffier is developed based on the Jordan-Elman neural networks. Its performance is evaluated using a receiver-operating characteristic curve, sensitivity, specificity, positive predictive value, negative predictive value, confusion matrix, mean square error, determinant coefficient, and reliability. The effectiveness of the classiffier is compared to a support vector machine and multiple regression models. The results of the comparative analysis demonstrate a superior performance level of the Jordan-Elman neural network model. Further comparison of the classier with previous literature indicates performance improvement over existing results. The Jordan-Elman neural networks classiffier can assist medical practitioners in the fast detection of malaria and determining its severity, especially in tropical and subtropical regions where cases of malaria are prevalent