Notice bibliographique
Résumé
This paper explores the relationship between nation`s competitiveness and Olympic results of 2008 Beijing and 2010 Vancouver. We used economic level, population size, number of athletics, number of Olympic medals and path analysis to find out the relationships of these variables. We analyzed these data by correlation coefficient, regression analysis, and path analysis. We chose every nation which has at least one bronze medal as a unit of analysis. We found the following outcomes from the analysis of Beijing Olympic. First, the direct effect of population size on medals is positive but weak. Second, the indirect effect of population size on medals is positive and about twice larger than that of direct effect. Third, the direct effect of GDP on medals is negative and very weak. Fourth, the indirect effect of GDP on medals is positive and about ten times larger than that of direct effect. Fifth, the most effective path on medals is the number of athletics which come from population size and GDP. We also found the following outcomes from the analysis of Vancouver Olympic. First, the direct effect of population size on medals is statistically not important. Second, the indirect effect of population size on medals is positive and about 2.3 times larger than that of direct effect. Third, the direct effect of GDP on medals is positive and statistically significant. Fourth, the indirect effect of GDP on medals is positive and 2.4 times larger than that of direct effect. Fifth, the most effective path on medals is the number of athletics which come from GDP. We concluded that population is important variable in summer Beijing Olympic and that GDP is important variable in winter Vancouver Olympic.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».