Notice bibliographique
Résumé
Introduction The purpose of this chapter is to assist the practitioner in the use and interpretation of multilevel models in the context of human growth research. The basic concepts of multilevel modelling are discussed and illustrated using a practical example. For detailed technical statistical discussions of multilevel modeling the reader is directed elsewhere (Goldstein, 1995; Kreft and de Leeuw, 1998; Snijders and Bosker 1999). As we know human physical growth is a highly regulated process. From conception to full maturity the change in size and shape is a continuous process. Many attempts have been made to find mathematical curves that can fit, and thus summarize, the process of human growth. There is considerable literature on the analysis of longitudinal growth data both for linear (Vandenberg and Falkner, 1965; Berkey and Reed, 1987) and non-linear (Jenss and Bayley, 1937; Preece and Baines, 1978) parametric models. Adjusting a mathematical model to a set of growth data is called growth curve fitting or growth modelling. Such growth models have had variable success in describing the pattern of human growth depending on the type of growth variable used, the precision of the measurement, the frequency and age range of the observations and the ability of the model to describe the growth curve (Karlberg, 1998). At the individual level what is required is a curve with relatively few variables, each capable of being interpreted in a biological meaningful way (Tanner, 1989).
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 | 0,007 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,075 | 0,014 |
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 ».