How Do We Extract Solutions of Unmet Needs from the Vast Sea of Big Data
Notice bibliographique
Résumé
Thanks to the expansion of ICT technologies and growing databases, we are now allowed easy access to much more valuable information and can easily uti-lize it to suit ones needs. But all the information is from the past, is primary, and in an unstructured for-mat which is like only having the basic ingredients be-fore baking a cake. And to precisely satisfy unmet needs, we have to choose the appropriate cooking method. After over 9 years of using an original predic-tive analytics methods using Big Data, VALUENEX continues to provide solutions for R&D and business strategies, and other types of user specified fields or subjects to find the way of the future up to 20 years from now. The feature of this method appears as white space on the Radar Map through visualized data of up to 100,000 text documents. White space on the radar is a form of intangible contents. Analysis around white space shows us the future scene and solutions for unmet needs. Grasping gravity trends, measuring density, and ex-tracting amounts of characteristics of any groups with precision on our plotting radar tells us the objective truth. We call this method view analytics for prediction. By using panoramic view analytics, you may find alternative solutions from an unex-pected group on the radar when you expand your tar-get scope beyond the field you are familiar with. Thus, we show the effectiveness of panoramic view analysis by saving time and providing solutions for unmet needs according to use case studies in the health care technological fields.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».