Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial neural networks are tools, which - similar to natural neural networks - can learn to recognize and classify patterns, and so can help to optimise context depending acting. These abilities, which are very useful in a lot of technical approaches, seem to be as well useful in particular in analysing and planning tactical patterns in sport games or patterns of learning behaviour in training processes.In a first attempt, in co-operation with LAMES from the University of Rostock, tactical structures in volleyball could successfully be analysed using neural networks.However, the problem is that the special type of network that has to be used for such analyses (i.e. the so called Kohonen Feature Map or KFM) needs a huge amount of data and lacks the necessary dynamic in continuous learning.So in order to describe, analyse, and evaluate continuous learning processes in sports a dynamically controlled network (“DYCON”) has been developed, which consists of a conventional KFM combined with a time-independent neurone-driven control: Each neurone is imbedded in a dynamic performance potential control system, which had been developed for analysis and control of physiological adaptation processes in sport.Two main advantages of DYCON are: Its learning efficiency is very high. In practice, it needs only some hundred data to coin a pattern, where a conventional KFM normally needs about 10.000 to 20.000. Moreover, it can learn continuously and so can recognise and analyse time depending pattern changes.So, DYCON can support the study of processes in sport games in an easier and more efficient way. Moreover, it can help to analyse tactical changes of a team during a season or even during a tournament, as has been done with squash in co-operation with MCGARRY, University of Fredericton. Finally, in a co-operation with RAAB, University of Heidelberg, we try to find out if and how DYCON can be used for analysis and optimisation of training processes in sport.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle