MétaCan
Menu
Retour à la cohorte
Enregistrement W4256622507 · doi:10.22184/1993-7296.2017.67.7.10.14

Leaders Integration

2017· article· en· W4256622507 sur OpenAlexaboutno aff
M.N. Stepanova, L.V. Karyakina

Notice bibliographique

RevuePhotonics Russia · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRegional Economic Development and Innovation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPolitical science

Résumé

récupéré en direct d'OpenAlex

Деловые людиGood afternoon!Please tell us about the activities and perspectives of your company in Russia.Good afternoon!Airgas was founded in the 1980's in the US with the purchase of a small distributor.Over the following 30 years, Airgas continued to grow organically and acquired over 500 independent distributors and businesses.Today, Airgas is one of the largest gases, welding and safety products suppliers in the US with a turnover of over 6 billion $. Do you have branch offices in other countries?Airgas offices are located in USA, Mexico, Canada and Russia.We have more than 1,000 offices in North America.Our company is a key distributor of such key manufacturers as: Lincoln Electric, Miller, 3M, Honeywell and other large vendors.In addition, Airgas produces industrial and spec gases at several facilities across North America.In May 2016, Air Liquide acquired Airgas and soon after begun integration efforts.The core business of Air Liquide is the production of industrial gases, as well as the development of related technologies.The activities of Airgas involve not only the production of gases, but also the sale of safety products, personal protective equipment (PPE), welding and cutting equipment and consumables and tools.This enables Airgas to provide a One-Stop-Shop offering to our existing and potential customers in every market segment.Air Liquide has decided to work together with Airgas in connection with the opportunity to build the same business model not only in North America, but in other geographies around the world, including Russia where they see tremendous opportunities for this approach.At the moment, we can see that this type of business model

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,389
Score d'incertitude au seuil0,872

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0060,001
Communication savante0,0120,006
Science ouverte0,0020,010
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,3890,248

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,265
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhotonics RussiaMême sujetRegional Economic Development and InnovationTravaux en français237 207