MétaCan
Menu
Retour à la cohorte
Enregistrement W2554174234 · doi:10.3233/jcm-160678

An extensible platform for building remote experiment control

2016· article· en· W2554174234 sur OpenAlexaff
Michael Bauer, Stewart McIntyre, Nathaniel Sherry, Chris Armstrong, John Haley, Matt R. Cross, Jinhui Qin, Azade Khaladj, Arash Khosravi, Ken McIssac

Notice bibliographique

RevueJournal of Computational Methods in Sciences and Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensIBM (Canada)Western University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceMiddleware (distributed applications)Remote controlSoftwareMechatronicsControl (management)Systems engineeringSoftware engineeringEmbedded systemOperating systemEngineering

Résumé

récupéré en direct d'OpenAlex

Research equipment, experiment control devices and even industrial equipment, typically require individuals to be present to make use of that equipment. In many cases, this requires researchers to travel to the equipment or move the equipment to specific locations and operate it. With network connectivity becoming more available, even in remote locations, remote operation of such equipment is increasingly possible. This can reduce travel costs, increase the efficiency of use of such equipment and even help with safety. This paper describes work on the creation of a software platform of generic services for access to and use of devices for research, education and potentially for industrial use. The current set of services, the underlying middleware and architecture of the platform are described. Use of the platform to develop remote operation services for a mechatronics laboratory for use by engineering students is presented. The longer term goal is to make the software available to researchers to allow better remote access to experiments in environments such as undersea, deep space, high radiation, and toxic gases.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,005
Science ouverte0,0060,007
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0070,004

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,377
Écart entre enseignants0,346 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computational Methods in Sciences and EngineeringMême sujetExperimental Learning in EngineeringTravaux en français237 207