Numerical transformation of geochemical data: 1. Maximizing geochemical contrast to facilitate information extraction and improve data presentation
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
Data transformation in geoscience has typically been motivated by three objectives: (1) creating normally distributed data; (2) creating data that are additive; and (3) making errors constant across the range of the data. Historically, transformation of geochemical concentrations has been undertaken to achieve normality. Unfortunately, most geochemical distributions are multi-modal and derived from several geological sources. Thus no continuous, monotonic transformations exist that can convert these into (even approximately) normal distributions, and thus transformation for this purpose is neither generally achievable nor justified. Transformations that create additivity are rare in geochemical applications, although they are important in error treatment and lithogeochemical data analysis. These transformations effectively convert data into a form that can be sensibly manipulated, and thus facilitate subsequent data analysis. Transformation to stabilizing errors in geochemical data is also not common, although it is a useful attribute in subsequent geochemical data analysis. Another type of data transformation, designed to maximize geochemical contrast (or maximize data variance), may be achieved by raising geochemical concentrations to a power after transforming the data to the 0 ↔ 1 interval. The power that produces the maximum variance in the transformed result creates the maximum geochemical contrast, affording the geochemist an opportunity to extract the most information from the geochemical data. The ‘maximum data variance’ transformation is based not on the subsequent data analysis result (e.g. recognizable geochemical patterns; circular reasoning where ‘the end justifies the means’), but on an optimal property created by the transform. As a result, this transformation provides significant advantage in subsequent data analysis because results achieved are not subjective.
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 | 0,000 | 0,004 |
| 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