Caractéristiques de l'information, surcharge d'information et qualité de la prédiction
Notice bibliographique
Résumé
Résumé Dans un contexte de surcharge d’information, la psychologie cognitive nous apprend que le fait d’augmenter la quantité d’information disponible nuit à la qualité de la prédiction. Il est essentiel de faire la distinction entre données pertinentes, redondantes et non pertinentes, et d’examiner leurs effets respectifs sur la qualité de la prédiction. L’auteur pose l’hypothèse selon laquelle seules les données redondantes nuisent à la qualité de la prédiction. Il s’est livré à une expérience dans le cadre de laquelle les sujets simulaient une prise de décision d’octroi d’un prêt commercial. La quantité de données disponibles a été modifiée de façon qu’elle soit faible, moyenne ou élevée, ce qui a donné lieu à trois versions de la demande de crédit. Chaque prêteur prévoyait la santé financière de six entreprises emprunteuses. L’expérience a permis de constater que l’augmentation de la quantité de données redondantes nuit à la qualité de la prédiction. Selon les résultats obtenus, une stratégie d’information possible consisterait à cibler les utilisateurs et à leur fournir seulement les données pertinentes à leur tâche. Les résultats démontrent aussi l’utilité des aides à la prédiction dans un contexte de surcharge d’information.
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 | 0,016 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».