MétaCan
Menu
Retour à la cohorte
Enregistrement W2053904956 · doi:10.1190/1.3694901

How to make better use of physical properties in mineral exploration: The exploration site measurement

2012· article· en· W2053904956 sur OpenAlexaff
Richard S. Smith, Mark Shore, Desmond Rainsford

Notice bibliographique

RevueThe Leading Edge · 2012
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensGeological Survey of CanadaLaurentian University
Organismes subventionnairesnon disponible
Mots-clésProperty (philosophy)Physical propertyCore (optical fiber)Computer scienceData scienceGeologyGeophysicsRemote sensingEpistemologyPhysicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

In recent years, there has been a growing awareness that a better understanding of physical property information is required in mineral exploration. As a consequence, there has been a strong push to collect more data and to use these data more intelligently. There are a multiplicity of reasons behind this impetus: geophysicists want more information about physical property data to enable better surveys to be planned and better interpretations to come from the data acquired and geologists want physical properties to provide addition information about the geology that might allow them to see variations in rocks that are not easy to see using traditional or more expensive methods (hand specimen examination, thin sections, lithogeochemistry, assays, etc.). If a hole is drilled on a geophysical target, then a physical property measurement of the core or the rocks surrounding the core can confirm if the target was intercepted and provides data that can be used to model the target response.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,222
Score d'incertitude au seuil0,173

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,168
Tête enseignante GPT0,250
Écart entre enseignants0,082 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Leading EdgeMême sujetGeochemistry and Geologic MappingTravaux en français237 207