PCAC 2007 Organizing and Program Committees
Notice bibliographique
Résumé
Paolo Bellavista, University of Bologna, Italy Pascal Chatonnay, NUMERICA/ISTI/LIFC, France Yuh-Shyan Chen, National Taipei University, Taiwan Sunghyun Choi, Seoul National University, South Korea Chun Tung Chou, University of New South Wales, Australia Tarik Cicic, Simula Research Laboratory, Norway Felipe A. Cruz-Perez, CINVESTAV-IPN, Mexico Fei Dai, North Dakota State University, USA Falko Dressler, University of Erlangen, Germany Paal E. Engelstad, Telenor R&D, Norway Carles Gomez, Technical University of Catalonia, Spain Peter C.J. Graham, University of Manitoba, Canada Jadwiga Indulska, The University of Queensland, Australia Susumu Ishihara, Shizuoka University, Japan Andreas Kassler, Karlstad University, Sweden Dimitrios Katsaros, Aristotle University, Greece Guanling Lee, National Dong Hwa University, Taiwan Jie Li, University of Tsukuba, Japan Leszek T. Lilien, Western Michigan University, USA Jiangchuan Liu, Simon Fraser University, Canada Luigi Logrippo, Universite du Quebec en Outaouais, Canada Seng Wai Loke, Latrobe University, Australia Cecilia Mascolo, University College London, UK Chris McDonald, The University of Western Australia, Australia Yongwan Park, Yeung Nam University, South Korea Elhadi Shakshuki, Acadia University, Canada Timothy K. Shih, Tamkang University, Taiwan Tor Skeie, Simula Research Laboratory, Norway Limin Sun, Institute of Software, China Academy of Science, China Xueyan Tang. Nanyang Technological University, Singapore Torab Torabi, Latrobe University, Australia Javier Garcia Villalba, Complutense University of Madrid, Spain Jianping Wang, University of Mississippi, USA
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) | 0,000 | 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 ».