Model Variable Augmentation (MVA) for Diagnostic Assessment of Sensitivity Analysis Results
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
Abstract Sensitivity analysis (SA) is a critical part in the construction of all models, including environmental and water resources simulation models. For example, SA functions to characterize which model inputs the model outputs are overly sensitive or insensitive to. However, the quality of SA results is rarely assessed. If assessed, bootstrapping of the sensitivity results is used to determine the reliability of the SA output. Bootstrapping, however, is known to be inappropriate with small sample sizes. In contrast, increasing model computational burdens continues to drive researchers to apply existing SA techniques and develop new ones, with smaller and smaller sample sizes. The new Model Variable Augmentation (MVA) approach is therefore introduced here to assess the quality of SA results without performing any additional model runs or requiring bootstrapping. MVA augments the original model input variables with additional variables of known properties. The sensitivities of the augmented model variables are used to draw conclusions on the reliability of the other “original” model parameters' sensitivities. The MVA method is applied to two global SA methods: the variance‐based Sobol' method and the moment‐independent PAWN method. MVA is scrutinized using analytical benchmark functions and then used to quality check sensitivity results of two hydrologic models. Results show the following: (1) MVA is a framework to quality check the implementation of a SA method; (2) for Sobol' and PAWN analyses, MVA‐assisted ranking of input sensitivity measures outperforms the standard ranking procedure without MVA; and (3) MVA provides reasonable estimation of the uncertainty of sensitivity estimates.
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 | 0,019 | 0,005 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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