Exploitation du vague spatial dans le SOLAP : vers une approche de conception prenant en compte les risques d'usage
Notice bibliographique
Résumé
Spatial OLAP (SOLAP) systems allow multidimensional analysis of huge volume of\nspatial data. Spatial vagueness is a usual spatial data imperfection. Several works propose new models for handling spatial vagueness. However, the implementation of those models in data cubes and their use with SOLAP tools are still in an embryonic state. Thus, we present in this paper a new approach for designing spatial data cubes based on users tolerance to the risks of data cubes misuses. / Les systèmes « Spatial OLAP » (SOLAP) permettent l'analyse multidimensionnelle\nde grands volumes de données spatiales. Le vague spatial est une imperfection courante des données. De nombreux travaux proposent de nouveaux modèles pour gérer le vague spatial. Néanmoins, l'implémentation de ces modèles dans les cubes de données et leur utilisation avec des outils SOLAP sont encore à l'état embryonnaire. Aussi, nous présentons dans cet article une nouvelle approche pour concevoir des cubes de données spatiales prenant en compte la tolérance des utilisateurs aux risques de mauvais usages des cubes.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».