Notice bibliographique
Résumé
The story of statistics in geotechnical engineering can be traced to Lumb’s classical Canadian Geotechnical Journal paper on “The Variability of Natural Soils” published in 1966. In parallel, the story of risk management in geotechnical engineering has progressed from design by prescriptive measures that do not require site-specific data, to more refined estimation of site-specific response using limited data from site investigation as inputs to physical models, to quantitative risk assessment (QRA) requiring considerable data at regional/national scales. In an era where data is recognised as the “new oil”, it makes sense for us to lean towards decision making strategies that are more responsive to data, particularly if we have zettabytes coming our way. In fact, we already have a lot of data, but the vast majority is shelved after a project is completed (“dark data”). It does not make sense to reduce one zettabyte to a few bytes describing a single cautious value. It does not make sense to expect big data to be precise and to fit a particular favourite physical model as demanded by the classical deterministic world view. This paper advocates the position that there is value in data of any kind (good or not so good quality, or right or wrong fit to a physical model) and the challenge is for the new generation of researchers to uncover this value by hearing what data have to say for themselves, be it using probabilistic, machine learning, or other data-driven methods including those informed by physics and human experience, and to re-imagine the role of the geotechnical engineer in an immersive environment likely to be imbued by machine intelligence.
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 | 0,016 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,023 |
| Communication savante | 0,016 | 0,025 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».