Notice bibliographique
Résumé
This appendix is a companion to Chapter 9. In particular, it discusses two case studies that illustrate the evaluation framework laid out in that chapter and whose details were discussed all throughout the book. The first case study focuses on a practical (albeit semiartificial) domain; the second uses datasets from the UCI Repository for Machine Learning. The two studies are now discussed in turn. Illustrative Case Study 1 In this case study, we used the dataset generated by Health Canada for the 2008 ICDM Data Contest. The purpose of the data is to serve as a basis for construction of automated learning systems able to monitor the amount of a few particular xenon isotopes (radioxenon) released in the atmosphere in an effort to verify compliance of the global ban on nuclear tests (the Comprehensive Nuclear Test Ban Treaty or (CTBT). These isotopes, when released in some given pattern, are characteristic of nuclear explosions. What makes the problem difficult, however, is that the monitoring stations are typically not located at the site of the explosion. Instead, the isotopes are transported, over days or weeks, through various weather systems, toward these stations and, in the process, lose their characteristic pattern. This is further complicated by the fact that xenon isotopes in various quantities are present in the atmosphere at the sites of the monitoring stations. This is due to the release of such gases by perfectly legal civil nuclear plants such as medical isotope production facilities and nuclear power plants.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,004 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».