FIMIS-2013 Organizing Committee
Notice bibliographique
Résumé
Program Committee Members Feilong Tang, Shanghai Jiao Tong University, China Fatos Xhafa, Technical University of Catalonia, Spain Arjan Durresi, IUPUI, USA Hae-Duck Joshua Jeong, Korean Bible University, Korea Hiroaki Kikuchi, Tokai University, Japan Chu-Hsing Lin, Tunghai University, Taiwan Jinshu Su, National University of Defense Technology, China Tomoya Enokido, Rissho University Fang-Yie Leu, Tunghai University, Taiwan Chunqing Wu, National University of Defense Technology, China Makoto Ikeda, Fukuoka Institute of Technology, Japan Takuo Suganuma, Tohoku University, Japan Antonio Gentile, University of Palermo, Italy Wen-Tzeng Huang, Minghsin University of Science and Technology, Taiwan Marek Ogiela, Computer Science and Electronics Insitute of Automatics, Poland Kin Fun Li, Victoria University, Canada Joan Arnedo, Open University of Catalonia, Spain Jong-Hyouk Lee, INRIA, France Hanh Le, University of Cape Town, South Africa Vidyasagar Potdar, Curtin Business School, Australia Eleana Asimakopoulou, University of Bedfordshire, United Kingdom Hiroshi Matsuno, Yamaguchi University, Japan Yoshitaka Shibata, Iwate Prefectural University, Japan Misako Urakami, Oshima College of Maritime Technology, Japan Tetsuya Shigeyasu, Hiroshima International University, Japan Nik Bessis, University of Bedfrordshire, United Kingdom Kangbin Yim, Soonchunhyang University, Republic of Korea Yoshiaki Hori, Kyushu University, Japan
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 | 0,000 | 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) | 0,056 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».