Notice bibliographique
Résumé
I love food. I love cooking, baking, testing, and eating. I read about food preparation, food facts, and food service. Over the years I’ve developed my fair share of knowledge about cooking and I’m a decent cook, but I’m no chef. I guess I’m what you’d call a “foodie”. However, I have the good fortune to have a friend who is a chef and owns one of the best, and certainly the most innovative, restaurants in town. During this summer I hosted a cooking class in my home for my family with my chef friend as instructor. The Tex-Mex barbecue theme was a big hit (you can contact me for recipes, if you like), but much more fascinating was the explanation of the science behind the cooking. It turns out that there is a term for this: molecular gastronomy. Another term, and hence the genesis of my “Eureka!” moment of the summer, is evidence based cooking. Good cooking is not just following a recipe (not all of which are evidence based) but at its best is the culmination of heaps of tested information regarding why and how chemical and environmental factors work together to result in a gastronomical delight. For example, will brining or marinating a pork chop make it moister? And, if brining, what temperature should the water be, how long should it soak, and how much salt is needed? Why does pounding meat increase its tenderness? What will keep guacamole from browning better – the pit or lime juice? What does baking soda do in a chocolate cake? Eggs or no eggs in fresh pasta?
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 | 0,115 | 0,467 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,016 | 0,015 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,017 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,173 | 0,059 |
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 ».