Uncovering and Displaying the Coherent Groups of Rank Data by\n Exploratory Riffle Shuffling
Notice bibliographique
Résumé
Let n respondents rank order d items, and suppose that d << n. Our main task\nis to uncover and display the structure of the observed rank data by an\nexploratory riffle shuffling procedure which sequentially decomposes the n\nvoters into a finite number of coherent groups plus a noisy group : where the\nnoisy group represents the outlier voters and each coherent group is composed\nof a finite number of coherent clusters. We consider exploratory riffle\nshuffling of a set of items to be equivalent to optimal two blocks seriation of\nthe items with crossing of some scores between the two blocks. A riffle\nshuffled coherent cluster of voters within its coherent group is essentially\ncharacterized by the following facts : a) Voters have identical first TCA\nfactor score, where TCA designates taxicab correspondence analysis, an L1\nvariant of correspondence analysis ; b) Any preference is easily interpreted as\nriffle shuffling of its items ; c) The nature of different riffle shuffling of\nitems can be seen in the structure of the contingency table of the first-order\nmarginals constructed from the Borda scorings of the voters ; d) The first TCA\nfactor scores of the items of a coherent cluster are interpreted as Borda scale\nof the items. We also introduce a crossing index, which measures the extent of\ncrossing of scores of voters between the two blocks seriation of the items. The\nnovel approach is explained on the benchmarking SUSHI data set, where we show\nthat this data set has a very simple structure, which can also be communicated\nin a tabular form.\n
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».