MétaCan
Menu
Retour à la cohorte
Enregistrement W2917842608

Odour AssessmentDecisionTree forOdourSampling andMeasurement

2016· article· en· W2917842608 sur OpenAlexaboutno aff
Ros Nadiah Rosli

Notice bibliographique

RevueJournal of Engineering Research and Technology · 2016
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueOdor and Emission Control Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOlfactometerSample (material)Sampling (signal processing)Point (geometry)Computer scienceTest (biology)EngineeringData miningArtificial intelligenceMathematicsComputer vision
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

There are various method in the world to sample and analyze odour. No matter what method or technique that is used, it should be accordingly to the standard. For the new researcher or people involved in order management, they mightlack in knowledge on how to use a proper or a suitable technique to assess odour. In Malaysia, there is no specific method of handling the odour problem. Currently in this country is following the European standard, which using the Olfactometer to analyze odour. Since the Olfactometer is expensive for the first time of installation, a cost effective Odour Threshold Test has been developed from Japan was trying to introduce. A new method from Canada called SM100 Olfactometer was also available in the laboratory. Comparisons between those methods are studied and suitability for use are presented. For odour sampling, there are three types of source that need to be considered; point, area and volume. Proper techniques should be done in order to sample at various sources. This paper would guide on sampling method, test procedure and data analysis of some method. This would make sense as the newer can choose their technique based on available instrument and environment condition.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,022
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0220,006

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 Opus0,100
Tête enseignante GPT0,349
Écart entre enseignants0,249 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Engineering Research and TechnologyMême sujetOdor and Emission Control TechnologiesTravaux en français237 207