International High School Big Data Challenge 2018, New York Academy of Sciences
Notice bibliographique
Résumé
The New York Academy of Sciences' Big Data: Think Global, Act Local Challenge provided an opportunity for students to experience working with data analytics by combing scientific theories with statistics, programming and innovation.Students analyzed large data sets provided by the STEM Fellowship and other open access sets to reveal patterns and trends related to human behavior and interactions.98 students participated from 29 countries who formed 26 teams that were overseen by 20 participating mentors.The teams were invited to address one of three issues: the correlation between food and climate change, renewable energy and sustainable infrastructure, or climate change and the economy.They investigated how big data can shed light on these issues and whether the connections made influence the future on both a government and individual level.They were encouraged to use a variety of data analysis algorithms, including classification algorithms, regression, network analysis text analysis and association rules.Each teams' solutions were judged on a variety of criteria which included: how innovative their solution was, if the concept was clear and concise, if the analysis showed potential to make a difference and how, , potential social impact, and if the experience was a collaborative endeavor.The Big Data Challenge was sponsored by Medidata, Regeneron and S&P Global.
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 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,025 |
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 ».