What can big data tell us about past, current, and future patterns of infection?
Notice bibliographique
Résumé
STEM Fellowship's Big Data Challenge is a unique pedagogical experiment, providing an inquiry and learning experience for high school students that, upon equipping them with top-notch analytical tools, tasks them to find hidden patterns and trends in complex socioeconomic or scientific data.In May 2017, this challenge format was applied for the first time at the undergraduate level, providing teams of university students with the opportunity to delve into datasets related to public health and epidemiology in order to make useful inferences about health and disease.Published here are the abstracts from all entrants.Teams employed a variety of approaches in their respective projects, whether to look at disease from a strictly socioeconomic angle or to examine the efficacy of preventative measures.For all the variation between project themes, it remains that all submissions are of incredibly high quality.Every paper is demonstrative of immense creativity and high potential on the respective team's part.On behalf of STEM Fellowship, I would like to extend my heartfelt congratulations to all students who participated in the challenge, and I wish them all the best for their future endeavours in research and data science.It has been a privilege for us to witness the analytical capabilities of the next generation of students firsthand, and I am certain all entrants will only continue to demonstrate excellence in their respective research careers.
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 | 0,019 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,017 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».