Exploring Alternatives to APIs: Diverse Approaches to Data Collection
Notice bibliographique
Résumé
In the context of generative AI’s rapid advancement across various industries, training models require large and comprehensive datasets to improve AI models, yielding more accurate and realistic outputs. This increased demand has reshaped the landscape of data accessibility and economics, particularly with Application Programming Interfaces (APIs). This shift has led to data providers and social media platforms enforcing new access restrictions. Such changes have created significant barriers for researchers, especially those in social science research, in acquiring data. This article addresses these issues by evaluating alternative data collection methods, focusing on their application in social research. It critically examines the strengths and weaknesses of these methods, underscoring their practicality and reliability. As AI continues to transform industries, this paper provides a vital guide for researchers, data analysts, and businesses to navigate the evolving dynamics of data collection, particularly in the context of social research.
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 | 0,175 | 0,315 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,018 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,026 | 0,043 |
| Science ouverte | 0,008 | 0,020 |
| Intégrité de la recherche | 0,004 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».