Proceedings of the 4th International Workshop on Modeling Social Media
Notice bibliographique
Résumé
In our first workshop on Modeling Social Media (MSM 2010 in Toronto, Canada), we explored various different models of social media ranging from user modeling, hypertext models, software engineering models, sociological models and framework models. In our second workshop (MSM 2011 in Boston, USA), we addressed the user interface aspects of modeling social media. In our third workshop (MSM 2012 in Milwaukee, USA), we looked at the collective intelligence in social media, i.e. making sense of the content and context from social media websites such as Facebook, Twitter, Google+ and Foursquare by analyzing tweets, tags, blog posts, likes, posts and check-ins, in order to create a new knowledge and semantic meaning. The goal of this workshop (MSM 2013) is to continue our vibrant discussion on social media mining and modeling with a special focus on recommender systems for social media applications. Hence, the workshop aims to attract and discuss various novel aspects of social media mining, modeling and doing recommendations on top of these data/models. In short, the workshop invites topics such as social media mining methods/techniques, novel approaches to model users or things in social media, frameworks to harvest and/or display social media data and new social media recommender methods/techniques/algorithms or interfaces supporting users for instance in information finding, meta-data application etc. Thus, our goal is to bring together researchers and practitioners from all over the world with diverse backgrounds interested in 1) exploring different perspectives and approaches to mine (complex) and analyse social media data, 2) modeling social media users and 3) building applications such as recommender systems on top of this data/models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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; un appel candidat d’une seule tête enseignante, 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 ».