Notice bibliographique
Résumé
Our daily life is increasingly influenced by data-driven decision processes, both for good (e.g., machine learning algorithms being used to detect cancer ) and bad purposes (e.g., Cambridge Analytica influencing the U.S. presidential elections ).These decision processes rely on a large amount of (input) data.To create high-quality decision processes, a large amount of high-quality data is needed.However, it is infeasible to integrate large amounts of diverse data manually.This is one of the reasons that a set of technologies, namely, Semantic Web technologies, are proposed.Semantic Web technologies allow generating and processing so-called knowledge graphs: a means to exchange data values, and additionally their meaningful (i.e., semantic) relationships, between multiple agents.These agents generate and use data in different ways on a large scale.Knowledge graphs thus ease (automatic) data integration, and can thus be an essential element of future data-driven decision processes.However, automatic processing (of knowledge graphs) lacks manual inspection (i.e., human supervision that can help to interpret and nuance results), and thus requires a strong level of quality assessment.Without quality assessment, the past has shown that data can be incorrectly integrated due to semantic differences (e.g., mixing the metric and imperial system, which led to the crash of a NASA Mars orbiter ) or processed badly (e.g., introducing rounding errors, halving the value of the Vancouver Stock Exchange in less than a year ).If we want to use knowledge graphs in a real-world context that does not result in crashes or massive money loss, we need to improve and assess its quality, both on the level of data values and semantic relationships.This dissertation focuses exactly on this: improving data quality and assessing semantic quality of knowledge graphs.We specifically investigate following two challenges that complementary tackle knowledge graph quality.The first challenge is including data transformations in knowledge graphs as this can help cleaning the data (e.g., by including data nor-K.Kourou, T. P. Exarchos, K. P. Exarchos, M. V. Karamouzis, and D. I. Fotiadis, "Machine learning applications in cancer prognosis and prediction," Computational and Structural Biotechnology Journal, vol., pp. -, .D. Byers, "Facebook is facing an existential crisis," CNN Business, Mar.th .A. G. Stephenson et al., "Mars Climate Orbiter Mishap Investigation Board Phase I Report" NASA, .K. Quinn, "Ever Had Problems Rounding Off Figures?This Stock Exchange Has," The Wall Street Journal, p. , Nov. th .
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 | 0,039 | 0,263 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».