Notice bibliographique
Résumé
Traditionally, data published on the Web are available in HTML tables or CSV files, sacrificing much of its structure and semantics. As a result, Linked Data was proposed to publish and connect structured data on the Web. Linked Data enable individual entities which have selfdescribed feature in a particular format to be connected to related entities. Therefore, Linked Data applications are able to be connected within in global space and different domains without bounding. The practices of Linked Data has led to the extension of the Web with a global data space connecting data from diverse domains such as people, companies, books, scientific publications, music, genes, proteins, scientific data, location data, place names, point of interest, etc. Following the trend of publishing data on the Web as Linked Data, a number of researchers are working on the best practices of publishing sensor data as Linked Sensor Data [1, 2, 3]. The existing works use the XML serialization format of RDF and RDF/XML while it has been around for over a decade, there is very little uptake. In this paper, we are going to present a RESTful framework that publishes sensor data as Linked Sensor Data. We use the OGC Sensor Web for Internet of Things API as the fundamental framework, and extend it with the W3C JSON-Linked Data. We will demonstrate that the proposed framework is machine-readable, structured, lightweight, efficient to transmit over the network, with smaller memory footprint, and most importantly compatible to the Web principles. In this talk, we will also perform a live demonstration of the prototype system.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,006 |
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 ».