“Social cohesion analysis of networks: a novel method for identifying cohesive subgroups in social hypertext” by Alvin Chin, with Jessica Rubart as coordinator
Notice bibliographique
Résumé
Alvin Chin is a Member of Research Staff at Nokia Research Center (NRC), Beijing, working in the Mobile Social Networking group. Alvin recently completed his PhD in Computer Science from the University of Toronto where he worked under Professor Mark Chignell. His PhD thesis was entitled "Social Cohesion Analysis of Networks: A Novel Method for Identifying Cohesive Subgroups in Social Hypertext" where he created a framework for automatically identifying influential members in subgroups from online social networks. At NRC Beijing, Alvin's research involves creating novel solutions that use the cell phone and context to participate and integrate with other users and online social networks, and enabling an intuitive user experience for social networking. He graduated with a Bachelors degree in Computer Engineering and a Masters degree in Electrical and Computer Engineering from the University of Waterloo. He has worked 2.5 years full time in industry researching emerging technologies in the wireless and pervasive computing area, especially Bluetooth and 802.11. His current research interests include social networking, computer-supported collaborative work, context-aware computing, and pervasive computing. Alvin is an active user of social networking and Web 2.0 technologies. He can be contacted at alvin.chin@nokia.com, and blogs frequently at http://www.alvinychin.com/blog.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».