Open Dots: Securely Connecting Like-Minded People Using Machine Learning
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.
Notice bibliographique
Résumé
Often, in today’s world, it is difficult to make new acquaintances if we discuss in our social group, and even for individuals, finding someone who has common interests can be challenging. Additionally, by utilizing web3, WebRTC, and machine learning, this project facilitates safe connections between individuals with shared interests located all over the world. Every person in this world has unique interests, preferences, and dislikes. Everyone wants to get in touch with someone who shares their interests so that they can communicate more effectively. We support the connection of all types of people in this project because some people need mentoring, others want to practice interviews, others enjoy listening to stories, and still, others want to perform stand-up comedy. People who enjoy learning about new cultures from various nations and languages can also connect.The entire user’s interest data, including age, favourite subject, learned programming languages, consulting interest, interview interest, current employment history, favourite Netflix shows, favourite movies, favourite hero, and favourite song playlist, will be collected for this project. We use all the data from the various individuals to match people using a machine learning algorithm, and then, based on the outcomes, we connect the people using WebRTC so that they can communicate face-to-face while sharing real-time audio and video. More user interest information will increase the precision of finding the ideal match. Our algorithm matches you with various people who can observe, suggest to you, and help you eliminate loneliness by talking to other people while people share their screens and work on tasks like studying and coding.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle