Notice bibliographique
Résumé
YOU MIGHT THINK 2014 WAS A BAD YEAR FOR FLYING. There were four highly publicized accidents–the still-mysterious disappearance of Malaysia Airlines Flight 370 in March, the shooting down of Malaysia Airlines Flight 17 over Ukraine in July, AirAsia Flight QZ8501 falling into the Java Sea in December, and finally, in July, the Air Algerie Flight 5017 crash in Mali, for a total of 815 dead. · But according to Ascend, the consulting branch of Flightglobal that monitors aircraft accidents, 2014 in fact had the best accident rate in history: one fatality per 2.38 million flights, compared to the previous best of one per 2.37 million in 2012. True, Ascend did not count the downing of MH Flight 17, which was an act of war, not an accident. · In any case, it's better to personalize the problem by putting it in terms of the risk per passenger per hour of flight. The necessary data are in the annual safety report by the International Civil Aviation Organization, which covers large jetliners as well as smaller commuter planes. · In 2013, 32.1 million domestic and international flights carried 3.1 billion people, logged 5.8 trillion passenger-kilometers, and experienced 90 accidents, causing 173 fatalities. With the mean flight time at about 2.2 hours, this implies roughly 6.8 billion of passenger-hours or 2.5 × 10-8fatalities per person per hour in the air. For large jetliners—dominated by Airbuses and Boeings and regional jets made by Canada's Bombardier and Brazil's Embraer–the risk that year was just 1 × 10-8. In 2014, large jetliner accidents (excluding the MH17) would have pushed the latter rate to about 8 × 10-8, but the mean for the past decade remains at historic lows.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,259 | 0,196 |
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 ».