Optimizing geochemical threshold selection while evaluating exploration techniques using a minimum hypergeometric probability method
Notice bibliographique
Résumé
Hypergeometric statistics have recently been used to establish a quantitative measure of performance for geochemical exploration techniques over known mineral occurrences. Using this method, the effectiveness of new exploration techniques can be compared objectively with conventional approaches. Sample site classification is the basis on which survey results are compared. This performance measure requires prior knowledge of the location of mineralization and a model for element dispersion from the primary into the secondary environment. This information allows assignment of sample sites that should give ‘anomalous’ (e.g. those overlying mineralized zones) or ‘background’ results to be identified prior to the orientation survey. Previous application of hypergeometric statistics requires that a high contrast exists between ‘anomalous’ and ‘background’ subpopulations in the geochemical orientation data so that there is no uncertainty in the classification of samples. In this paper, a refinement is developed that allows consideration of geochemical variables that do not exhibit this required high level of geochemical contrast, that is, where ‘anomalous’ and ‘background’ subpopulations exhibit significant overlap. This refinement involves determining the hypergeometric probabilities of obtaining the same result at random ( P ( x )) for a range of geochemical thresholds, instead of only one threshold (i.e. the one used to classify anomalous and background samples in cases with high geochemical contrast). At each threshold, different numbers of samples will be classified as ‘anomalous’ and different numbers of ‘anomalous’ samples will occur at ‘anomalous’ sites. As a consequence, the resulting random hypergeometric probabilities will change with threshold level. Using a range of thresholds to classify the geochemical orientation survey results allows identification of the minimum hypergeometric probability (MHP) for the dataset. Using this threshold, the classification of anomalies will bear the least resemblance to what would be expected if the survey results were generated at random. Employing this refined MHP approach, one can simultaneously evaluate the effectiveness of an exploration method, and select the threshold that optimally classifies anomalous and background samples.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».