Notice bibliographique
Résumé
Opening lectures: Tools for the analysis of chaotic by H. I. Abarbanel Some comments on nonlinear time series analysis by H. Tong Embeddings, dimension, and system reconstruction: A general approach to predictive and fractal scaling dimensions in discrete-index time series by C. D. Cutler Statistics for continuity and differentiability: An application to attractor reconstruction from time series by L. M. Pecora, T. L. Carroll, and J. F. Heagy Reconstruction of integrate-and-fire dynamics by T. Sauer Surrogate methodology: On the validity of the method of by K.-S. Chan Using surrogate data to calibrate the actual rate of false positives in tests for nonlinearity in time series by J. Theiler and D. Prichard Local Lyapunov exponents: Chaos with confidence: Asymptotics and applications of local Lyapunov exponents by B. A. Bailey, S. Ellner, and D. W. Nychka Estimating local Lyapunov exponents by Z.-Q. Lu and R. L. Smith Long-range dependence: Defining and measuring long-range dependence by P. Hall Modelling nonlinearity and long memory in time series by P. M. Robinson and P. Zaffaroni Data analysis and applications: Ergodic distributions of random dynamical systems by L. M. Berliner, S. N. MacEachern, and C. S. Forbes Detecting structure in noise by L. Borland Characterizing nonlinearity in weather and epilepsy data: A personal view by M. C. Casdagli Assessment of linear and nonlinear correlations between neural firing events by A. Longtin and D. M. Racicot Markov chain methods in the analysis of heart rate variability by S. J. Merrill and J. R. Cochran.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 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 ».