Guest Editorial Special Issue on Advanced Cognitive Computing for Data-Driven Computational Social Systems
Notice bibliographique
Résumé
Computational social systems (CSSs) focus on topics such as modeling, simulation, analysis, and understanding of social systems from the quantitative and/or computational perspective. “Systems” can be man–man, man–machine, and machine–machine organizations and adversarial situations as well as social media structures and their dynamics[1],[2]. With the advance of the Internet of Things and communication technologies, various kinds of data from diverse areas can be acquired nowadays. As a result, CSSs are becoming ever more complex. Data-driven CSSs aim to conduct pre-competitive research on architectures and design, modeling, and analysis techniques for cyber-physical systems, with emphasis on making full use of big data and artificial intelligence. These applications include transportation systems, automation, security, smart buildings, smart cities, medical systems, energy generation and distribution, water distribution, agriculture, military systems, process control, asset management, and robotics[3],[4],[5]. However, due to the progressive transformation from host-centric networking to information-centric networking, CSSs pose fundamental challenges in multiple aspects, such as heterogeneous data generation, efficient data sensing and collection, real-time data processing, and greater request arrival rates. Thus, there is a great need for a powerful way that can deal with emerging issues in data-driven CSSs more efficiently and effectively in the age of big data.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,093 | 0,031 |
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 ».