Notice bibliographique
Résumé
The Guidelines on Statistical Business Registers were prepared by the Committee of Experts on Business and Trade Statistics with the support of, and in collaboration with, the Statistics Division of the Department of Economic and Social Affairs. The following experts contributed to the drafting of the additional country examples: Luisa Ryan (Australia), Francisco de Souza Marta (Brazil), Tammy Hoogsteen (Canada), Zhuo Wang (China), Sayda Morera (Colombia), Zrinka Pavlović (Croatia), Søren Schiønning Andersen, Jens Christian Ring and Steen Eiberg Jørgensen (Denmark), Neveen Osama and Mennat Allah Mohamed Mossad Abou Hasswa (Egypt), Pierrette Schuhl (France), Gogita Todradze (Georgia), Lien Suharni, Rr. Nefriana, Tri Listianingrum, Wiling Alih Maha Ratri and Irien Kamaratih Arsiani (Indonesia), Leesha Delatie- Budair (Jamaica), Set Fong Cheung Tung Shing (Mauritius), Gerardo Durand (Mexico), D. Oyunbileg (Mongolia), Rico Konen (Kingdom of the Netherlands), Anne Abelsæth (Norway), Cristina Neves (Portugal), Sagaren Pillay, Marietha Gouws (South Africa), Priyadarshana (Sri Lanka), David Ackermann, Livio Lugano and Fabio Tommasini (Switzerland), Atef Ouni (Tunisia), Andrew Allen (United Kingdom of Great Britain and Northern Ireland), William Davie (United States of America), Saleh Alkafri (State of Palestine), Nikko Angelo Antonio (Asian Development Bank), Rami Peltola and Carsten Boldsen (Economic Commission for Europe), Merja Riitta Rantala, Biliana Branska-Lateva and Carsten Olsson (Eurostat), Manpreet Singh (International Labour Organization), and Alicia Hierro (International Monetary Fund).
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».