MétaCan
Menu
Retour à la cohorte
Enregistrement W4307042788 · doi:10.1177/09670335221124612

Before reliable near infrared spectroscopic analysis - the critical sampling proviso. Part 1: Generalised theory of sampling

2022· article· en· W4307042788 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Near Infrared Spectroscopy · 2022
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésSampling (signal processing)InfraredStatisticsRemote sensingMaterials scienceMathematicsOpticsPhysicsGeologyDetector

Résumé

récupéré en direct d'OpenAlex

Non-representative sampling of materials, lots and processes intended for near infrared (NIR) analysis is often contributing hidden additions to the full Measurement Uncertainty (MU total = TSE + TAE NIR ). The Total Sampling Error (TSE) can dominate over the Total Analytical Error (TAE NIR ) by factors ranging from 5 to 10 to even 25 times, depending on material heterogeneity and the specific sampling procedures employed to produce the minuscule aliquot, which is the only material analysed. This review (Parts 1 and 2), extensively referenced with easily available complementing literature, presents a brief of all sampling uncertainty elements in the “lot-to-aliquot” pathway, which must be identified and correctly managed (eliminated or maximally reduced) in order to achieve, and to be able to document, fully minimised MU total . The more irregular and pervasive the heterogeneity, the higher the number of increments needed to reach ‘fit-for-purpose representativity’. A particular focus is necessary regarding the sampling bias, which is fundamentally different from the well-known analytical bias. Whereas the latter can easily be subjected to bias correction, the sampling bias is non-correctable by any posteori means, notably not by chemometrics, nor statistics. Instead, all sampling operations must be designed to exclude the so-called Incorrect Sampling Errors (ISE), which are the hidden bias-generating agents. The key element in this endeavour is representative sampling and sub-sampling before analysis, as laid out by the Theory of Sampling (TOS), which is presented here in a novel compact fashion along with a complement of selected examples and demonstrations. TOS includes a safeguard facility, termed the Replication Experiment (RE), which enables estimation of the total sampling- plus-analysis uncertainty level (MU total ) associated with NIR analysis (the RE is, for practical and logistical reasons, found in Part 2). Neglecting the TSE effects from the before-analysis domain is lack of due diligence. TOS to the fore!

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,311
Écart entre enseignants0,278 · 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