Strategies for analyzing the guessing game "Wordle"
Notice bibliographique
Résumé
Nowadays, games have become indispensable for people's entertainment. Among them, the five-letter decryption game "world" launched by the New York Times has swept the world. Many players also reported their scores on Twitter. Through these published data, we found some interesting information. According to the information and requirements given by the topic, the table data attached to the topic is preprocessed. Find an exception in the data and delete it. The attributes of a given word are extracted by data encoding. We draw a line graph of the data, observe its trend change and perform curve fitting. The study found that the first half of the curve rose rapidly and the second half fell slowly. The fitting curve function was obtained, and the goodness of fit were 0.9521 and 0.9629, respectively. Using the curve, the quantitative range of results reported on March 1, 2023 is [5805.390,6075.43]. The sensitivity analysis was carried out by changing the four parameters of the fitting curve. The results show that the predicted value is within the reasonable range. Based on the parts of speech classification and the number of letter repeats, we investigate whether they affect the percentage distribution of difficult sentence patterns. Secondly, we optimize the LSTM model based on particle swarm optimization algorithm, and carry out hyperparameter optimization processing to build the PSO-LSTM model. Compared with LSTM, it is found that its model expression is better than that of single LSTM model. The MAPE value of the test set is 1.248, which means the uncertainty is 1.248%, so we have 98.752 percent confidence in the accuracy of the model. The EERIE data were encoded and put into the established PSO-LSTM model, and the correlation percentages were 0.432, 3.631, 19.326, 30.291, 26.954, 14.234 and 5.132, respectively.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».