Analyse comparée de deux méthodes d'amélioration de la qualité des données utilisées lors de l'expertise de barrages
Notice bibliographique
Résumé
The safety assessment of civil works relies on the use of a large amount of data. These data are frequently 'imperfect': they contain uncertainty, imprecision, incompleteness that lower the data quality. It is important to develop methods and tools allowing the assessment and the control of imperfections related to data used during dam reviews. These systems should allow on the one hand, the quantification of the data quality and on the other hand, the decrease of imperfections thanks to corrective actions. Two methods were developed independently from one another: a method developed by Hydro-Québec in Canada (condition index method) and a method developed by Cemagref in France. This paper proposes a comparative study concerning these two methods. / L'évaluation de la sécurité d'un ouvrage de génie civil repose sur l'utilisation d'une grande quantité de données. Ces données sont fréquemment « imparfaites » : elles contiennent incertitude, imprécision, incomplétude qui réduisent la qualité des données. Il est important de développer des méthodes et outils d'évaluation et de maîtrise de ces imperfections afin d'une part, de quantifier la qualité des données utilisées pour évaluer la condition des ouvrages et d'autre part, de déclencher des actions correctives pour réduire ces imperfections. Deux méthodes ont été développées de manière indépendante afin de répondre à cette problématique : une méthode développée par Hydro-Québec au Canada (méthode des indices de condition) et une méthode développée par le Cemagref en France. Cet article propose une étude comparée de ces deux méthodes.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».