Notice bibliographique
Résumé
Most papers on Benford's Law primarily discuss either (1) the science and mathematics for explaining the law; or (2) how to apply the law, especially for detecting data manipulation and fraud; or (3) suggestions for statistical tests to determine if data conform to a Benford's distribution.Leonardo Campanelli's recent paper "Testing Benford's Law" strongly objects to a descriptive measure I discussed in my paper "The Promises and Pitfalls of Benford's Law"-as if that measure were intended for Benford's testing in the Category-3 sense relevant for Campanelli's paper (SJS, vol.4, 2022).This reflects a conflation of meanings for "testing" that is common in the Benford's literature, where many Category-2 papers claim they are applying (directly) conventional or new hypothesis tests as tools to detect fraud.Yet, fraud detection is a forensic and context-sensitive process, for which there is no set formula.In this paper, I clarify the sampling plan I had used earlier to collect and analyze a quasi-random sample of datasets, based on published criteria in the literature, to paint a tentative picture of how far real data vary, and in what ways, from abstract BL expectations.Further, I discuss simulations I have conducted to replicate and expand on my previous results.
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 | 0,127 | 0,384 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,055 |
| Communication savante | 0,013 | 0,023 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,011 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».