A Wholistic Approach to Human-in-the-Loop Ecosystem
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2021-0626.vid Space exploration is amongst the greatest endeavors of the humankind. It continues to fuel human curiosity and imagination, as the limits and boundaries continue to extend beyond the Low Earth Orbit to other destinations, such as Moon and Mars. Technological advancements and scientific discoveries continue to redefine the boundaries of the human body and mind, revealing remarkable resilience, cognitive, physical and psychological performance in austere environments. However, as human kind prepares to embark on deep-space missions, there are fundamentally new challenges and considerations that have to be addressed to ensure successful mission outcomes. Restricted space, increased communication delays and remoteness from Earth, with limited ability for emergency return, necessitate development of a comprehensive human-in-the-loop ecosystem, with increased autonomy and clinical decision-making capacity. The proposed research harnesses the potential of big data and streaming data analytics to support a paradigm shift from reactive to proactive health management in-flight. It demonstrates the potential to support prognostics, diagnostics and mitigation of medical contingencies in-flight through a meaningful and practical use of the acquired data to inform clinical decision making, significance of which is demonstrated within the context of adaption-based analytics in a ground-based study “Luna-2015”.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,007 |
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 ».