Notice bibliographique
Résumé
Census Data Quality Research By Ian McKechnie For the Global Burden of Animal Diseases Check us out! GBADsKE Description of this roject As the saying goes, "Garbage in, Garbage out". This project is to evaluate the quality of data from the FAOSTAT, WOAH, UN Census, and individual country data for future modelers to understand the quality of the data before they use it in their models. You can read the report on the findings from using the tools in this repo. Findings from this tool are currently pending review before being published. Stay tunned on the GBADsKE website for more information. Project Requirements Python V3.10 To use this project Run these commands in the project folder you must be using python3 with a version <3.11. (I used python3 version 3.10 for development) cd src pip3 install -r requirements.txt python3 app.py Data sources FAOSTAT and WOAH/OIE come from the API Census data from countries is in the S3 bucket (on AWS) National data needs to be harvested from Stats agencies of countries Counties Ethiopia Canada USA Ireland India Brazil Botswana Egypt South Africa Indonesia China Australia New Zealand Japan Mexico Argentina Chile Possible species that can be viewed (depends on country) Cattle, Beef Cattle, Dairy Cows, Sheep, Goats, Pigs, Chickens, Horses, Buffaloes, Ducks, Turkeys, Ostrichs, Asses and Mules, Mules, Asses, Wild Boars, Boar, Bison, Elks, Llamas/Alpacas, Alpacas and Llamas, Ostriches and Emus, Alpacas, Llamas, Deer, Minks, Foxes, Rabbits, Other Fowls, Geese, Guinea Pigs, Poultry, Camels, Pigeons, Geese and Ducks, Bees, Beehives, Mithuns (Bovine), Equines, Broilers, Laying hens, Hen, “Mules, Asses”,
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,086 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».