New multivariate strategy for panel evaluation using principal component similarity
Notice bibliographique
Résumé
Abstract Advantages of principal component similarity (PCS) as an unsupervised classification techniques compared to supervised methods are the detectability of outliers or anomalies, a capacity to classify continuum, easy identification of causes for grouping, and a potential of discovering new groups. The ability of detecting outliers or anomalies was utilized to eliminate panel members who were not appropriate for the classification purposes by using PCS scattergrams. After eliminating the unqualified panelists, the evaluation score tables were realigned from the one based on panelists to that based on samples. Accumulated principal component score were computed for the samples in a form of SPCi × Si, where PCi was the principal component score of sample i and Si was its proportion within the total variation. The conventional averaging algorithms of evaluated scores are useful, as this techniques absorbs the effect of unjustifiable negative scores reported by outliers. However, more reasonable summary scores for the samples could be obtained by eliminating unreasonable evaluation scores made by the outliers as well as by using the above new summary values. Differences in deviations of evaluation among attributes, such as those in likenesses of color and taste of meat products, were normalized. Specific training or selecting qualified panelists prior to panel evaluation is unnecessary when the information obtained from panel evaluation is required to reflect the variable broad patterns of consumer preference. Information obtained from consumer preference test based on cluster analysis, which was applied to a beverage, might be more readily recovered by using this new strategy.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».