Notice bibliographique
Résumé
In modern society, a huge volume of data (big data) are being collected and accumulated, and growing exponentially.1 2 Data come from the internet, social media, medical records, customer databases, massive open data and other data sources. Big data are huge in quantity (volume), fast in production sometimes in real time (velocity), structured and unstructured in data types (variety), inconsistent and changing (variability), uncertain in data quality (veracity) and potentially useful (value).3 4 Big data, when analysed properly, can improve corporate performance, increase productivity, provide insights and predict future scenarios for better decisions in medicine, public health, science and technology, business and other sectors.5 6 Big data, when misused, can lead to data breach and privacy concerns6 and, when misinterpreted7 or manipulated,8 can cause false predictions leading to potentially disastrous consequences. Here is a small story that might help understand the impacts of big data. It is in part inspired by some ideas already posted on the internet.9 10 The story is about a customer who orders pizza by phone, and the interesting exchange that ensues, delightful and not so delightful, that potentially can happen during the big data era. > Pizza: [The phone rings] Thanks for calling. How may I help you? > Customer: I would like to order a pizza. > Pizza: What is your customer number? > Customer: XY1357 > Pizza: Hi, Mr. Lee. Your address …
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 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 | 0,048 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,012 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».