Notice bibliographique
Résumé
One of the wildest, most spectacular decades in American history, the 1920s were a period of unprecedented growth and mass consumerism. In the New Era, people drank in speakeasies, danced to jazz, idolized gangsters, and bet their life savings on stocks. Born and raised in a small Canadian town, Arthur Cutten went to Chicago in 1890 with ninety dollars to his name. Through utter ruthlessness, he amassed a fortune trading in grain futures and stocks. Cutten was heralded as the modern Midas, and his every move was followed by the masses, who believed they could get rich quick. But everything changed after the crash of 1929. The heroes of prosperity became the villains of the Great Depression. Determined to crack down on the “banksters,” the Roosevelt administration launched an all-out attack on those it blamed for the collapse – and Cutten was at the top of the list. A US Senate committee probed how he manipulated stock prices. The Grain Futures Administration moved to bar him from trading. And the Bureau of Internal Revenue indicted him for income tax evasion. But the wily operator won on every count: he emerged from the Senate investigation unscathed, maintained his grain trading privileges after a victory in the Supreme Court, and left almost nothing for the tax collectors upon his death. To Make a Killing tells the tale of Cutten’s journey to fabulous wealth, the forces that propelled him, and the fascinating characters in his life.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,023 | 0,010 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,008 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,099 | 0,058 |
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 ».