Notice bibliographique
Résumé
Files: grids.zip contains TextGrids for all audio files containing three tiers words, phonemes and transcription words contains the aligned normalized English words phonemes contains IPA pronunciations transcribed using CMU dictionary which then were aligned with Montreal Forced Aligner. The pronunciations were then mapped from ARPAbet to IPA and duration marks were applied (without punctuation) transcription contains unaligned phonemes including punctuation and word boundary labels (SIL0) preview.png preview of the first TextGrid opened in Praat words-vocabulary.txt contains all words from tier words phonemes-vocabulary.txt contains all phonemes from tier phonemes transcription-vocabulary.txt contains all phonemes/punctuation from tier transcription phonemes-durations.pdf contains the plotted phoneme duration distribution of tier phonemes phonemes-durations-simple.pdf contains the plotted phoneme duration distribution of tier phonemes if all duration markers are ignored pronunciations.dict contains the pronunciations for each word including punctuation and weights (occurrence) script.sh contains the script to reproduce all results Phoneme duration marker: ˘ -> [0, 20) percentile ˑ -> [80, 90) percentile ː -> [90, inf) percentile Silence marker: SIL0 -> no silence SIL1 -> [0, 33.33) percentile SIL2 -> [33.33, 66.66) percentile SIL3 -> [66.66, inf) percentile
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,518 | 0,463 |
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 ».