Data management and quality control
Notice bibliographique
Résumé
Abstract It is often said that data gathering is much more expensive than data-management software (such as geographic information system). Indeed, data are perhaps the most important element of any asset management approach. In this comprehensive chapter, we embark on a journey through digital era, highlighting the pivotal role of data in our contemporary world, emphasizing the importance of data in today's landscape. We delve into the critical question of which data to collect, providing insights into the strategic selection of data based on a cost–benefit approach and the significance of anticipation in data collection. A three-layer approach, encompassing object, system, and urban fabric levels, is proposed as a structure to organize data, elucidating the diverse information requirements at each layer, from descriptive data to performance assessments and requirements. A substantial portion of this chapter is devoted to data models and bias, elucidating the complexities of modeling sewer pipe deterioration and addressing issues such as selective survival and recruitment bias. Quality control emerges as a pivotal concern, clarifying the requirements for data quality, methods to assess completeness, and handling issues such as incompleteness, timeliness, uncertainty, and imprecision. Questions related to data quantity are explored, discussing the data-loop problem, reconstruction methods, and the implications of big data. Practical considerations related to data access and storage are also addressed. The chapter concludes by three enlightening case studies illustrating real-world applications of data models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».