Round Table Brazil - PARSEC Project - Workflow management and reproducibility
Notice bibliographique
Résumé
As a forum for experience exchange, the ROUND TABLE BRAZIL - Workflow management and reproducibility, invites data scientist and data professionals to discuss experiences on the subject. It was published in 2016 the ‘FAIR Guiding Principles for scientific data management and stewardship’ which became a standard for workflow management to create replicable and reproducible data experiments. How these ideas are implemented on daily data science experiments? And what challenges are faced? March, 25th 2021 1:00pm to 3:00pm (Brazilian Time) Escola Politécnica - Videoconference Round Table Website: http://wds.poli.usp.br/round-table-brazil-2021/ Recording: https://www.youtube.com/watch?v=0UGNaKOV6Ss This workshop is part of the PARSEC project generously funded by the Belmont Forum. Resources: National Academies of Sciences, Engineering, and Medicine. 2019. Reproducibility and Replicability in Science. Washington, DC: The National Academies Press. https://doi.org/10.17226/25303. Victoria Stodden, Marcia McNutt, David H. Bailey, Ewa Deelman, Yolanda Gil, Brooks Hanson, Michael A. Heroux, John P.A. Ioannidis and Michela Taufer (December 8, 2016) Science 354 (6317), 1240-1241. [doi: 10.1126/science.aah6168] Wilkinson, MD, Dumontier, M, Aalbersberg, IjJ, et al. 2016. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3: 160018. DOI: https://doi.org/10.1038/sdata.2016.18 https://www.nature.com/news/1-500-scientists-lift-the-lid-on-reproducibility-1.19970 Pineau, J., Vincent-Lamarre, P., Sinha, K., Larivière, V., Beygelzimer, A., d’Alché-Buc, F., & Larochelle, H. (2020). Improving reproducibility in machine learning research (a report from the NeurIPS 2019 Reproducibility Program). arXiv preprint arXiv :2003.12206. Harris, Jenine K.; Johnson, Kimberly J.; Carothers, Bobbi J.; Combs, Todd B.; Luke, Douglas A.; Wang, Xiaoyan (2018). "Use of reproducible research practices in public health: A survey of public health analysts". PLOS ONE. 13 (9): e0202447. Hartley, M., & Olsson, T. S. (2020). dtoolAI : Reproducibility for Deep Learning. Patterns, 1(5), 100073. https://the-turing-way.netlify.app/welcome Reproducible Research in Computational Science, R. Peng, Science, Dec. 2011:1226-1227 www.cs.mcgill.ca/~jpineau/ReproducibilityChecklist.pdf
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 | 0,035 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,254 | 0,138 |
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 ».