THzTools: data analysis software for terahertztime-domain spectroscopy
Notice bibliographique
Résumé
Changed Change default noisefit algorithm to estimate mu using a weighted average of the measured waveforms after rescaling and shifting, rather than optimizing the cost function with respect to mu directly (#85) (Alireza Noori) Change procedure to evaluate parameter uncertainties, from direct computation of the Hessian to numerical evaluation using numdifftools (#85) (Alireza Noori) Deprecate mu_err and p_err attributes of FitResult class (#108) (Alireza Noori) Added Add etfe function (Augusten Fairbairn, Japneet Sandhu, Chloe Chan) Add workers parameter to noisefit function to allow parallel processing of FFTs (#78) (Rabin Meetarbhan) Add links to top keywords in documentation (Wesley Xu) Add est_mu parameter to thztools (Alireza Noori) Add support for Python 3.14 (#92) (Steve Dodge) Add mu_cov, psi_cov, delta_norm, delta_norm_cov, epsilon_norm, epsilon_norm_cov, and delta_norm_epsilon_norm_cov attributes to FitResult class (#108) (Alireza Noori) Removed Remove support for Python 3.9 (#92) (Steve Dodge) Fixed Fix noisefit examples in documentation (#81) (Alireza Noori) Apply Bessel correction to estimated noise model parameter uncertainties returned by noisefit (#86) (Alireza Noori) Fix error in cost function Jacobian used in noisefit (#87)) (Alireza Noori) Fix erroneous warnings when using NumPy <2.3 on Apple Silicon M4 chips numpy/numpy#28687 Fix error in cost function Jacobian when numpy_sign_convention = False (7c11c58) (Steve Dodge) Fix inconsistent internal scaling of eta parameter (c0a725f)(Steve Dodge)
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 0,023 |
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 ».