expert: Modeling Without Data Using Expert Opinion
Notice bibliographique
Résumé
package provides tools to create and ma-nipulate empirical statistical models using expertopinion (or judgment). Here, the latter expressionrefers to a specific body of techniques to elicit the dis-tribution of a random variable when data is scarce orunavailable. Opinions on the quantiles of the distri-bution are sought from experts in the field and aggre-gated into a final estimate. The package supports ag-gregation by means of the Cooke, Mendel–Sheridanand predefined weights models.We do not mean to give a complete introductionto the theory and practice of expert opinion elicita-tion in this paper. However, for the sake of complete-ness and to assist the casual reader, the next sectionsummarizes the main ideas and concepts.It should be noted that we are only interested,here, in the mathematical techniques of expert opin-ion aggregation. Obtaining the opinion from the ex-perts is an entirely different task; seeKadane andWolfson(1998);Kadane and Winkler(1988);Tver-sky and Kahneman(1974) for more information.Moreover, we do not discuss behavioral models (seeOuchi,2004, for an exhaustive review) nor the prob-lems of expert selection, design and conducting of in-terviews. We refer the interested reader toO’Haganet al.(2006) andCooke(1991) for details. Althoughit is extremely important to carefully examine theseconsiderations if expert opinion is to be useful, weassume that these questions have been solved previ-ously. The package takes the opinion of experts as aninput that we take here as available.The other main section presents the features ofversion 1.0-0 of package
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 | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,015 |
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 ».