Notice bibliographique
Résumé
Main changes in this update include: Add an implementation of a shooting method for finding MOT(O)S (see the new tutorial on the shooting method) Enable the representation (and search) of toroidal MOTSs Implement predicting the MOTS location by tracking either the north pole, south pole, locally minimal x-location (useful for neck-like features) and coordinate center (default) Smaller changes: Add a smarter line search. To use it, add the step_mult="auto" option to the find_mots() call (or to the configuration object). New example metric for a slice of Schwarzschild in Painleve-Gullstrand coordinates Make computing properties more robust for initial data Allow most properties to be computed for toroidal MOTSs New MOTS properties: "ricci_difference_integral", "ricci_interp" (see the documentation of the axisym.trackmots.props.compute_props() function for details) New MOTT properties via functions of the form "compute_*" in module axisym.trackmots.props Optionally save all interim Newton steps Many small plotting optimizations and options Fix compatibility with more recent Python and SciPy/NumPy versions Research at Perimeter Institute is supported in part by the Government of Canada through the Department of Innovation, Science and Economic Development Canada and by the Province of Ontario through the Ministry of Colleges and Universities. We also thank the French EIPHI Graduate School (ANR-17-EURE-0002) and the Spanish FIS2017-86497-C2-1 project (with FEDER contribution) for support. IB was supported by the Natural Science and Engineering Research Council of Canada Discovery Grant 2018-0473. The work of RAH was supported by the Natural Science and Engineering Research Council of Canada through the Banting Postdoctoral Fellowship program.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,008 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,452 | 0,471 |
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 ».