Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article gives a brief overview of near sets. The proposed approach in introducing near sets is to consider a set theory-based form of nearness (proximity) called discrete proximity. There are two basic types of near sets, namely, spatially near sets and descriptively near sets. By endowing a nonempty set with some form of a nearness (proximity) relation, we obtain a structured set called a proximity spaces. Let $${\mathcal{P}(X)}$$ denote the set of all subsets of a nonempty set X. One of the oldest forms of nearness relations p (later denoted by δ) was introduced by E. Čech during the mid-1930s, which leads to the discovery of spatially near sets, i.e., those sets that have elements in common. That is, given a proximity space (X, δ), for any subset $${A \in \mathcal{P}(X)}$$ , one can discover nonempty nearness collections $${\xi(A) = \{B \in \mathcal{P}(X): A \, \delta \, B\} }$$ . Recently, descriptively near sets were introduced as a means of solving classification and pattern recognition problems arising from disjoint sets (i.e, sets with empty spatial intersections) that resemble each other. One discovers descriptively near sets by choosing a set of probe functions Φ that represent features of points in a set and endowing the set of points with a descriptive proximity relation δ Φ and obtaining a descriptively structured set (called descriptive proximity space). Given a descriptive proximity spaces (X, δ Φ), one can discover collections of subsets that resemble each other. This leads to the discovery of descriptive nearness collections $${\xi_{\Phi}(A) = \{B \in \mathcal{P}(X): A \,\delta_{\Phi} \, B\} }$$ . That is, if $${B \in \xi_{\Phi}(A)}$$ , then A δ Φ B (relative to the chosen features of points in X, A resembles B). The focus of this tutorial is on descriptively near sets.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle