guenardg/pMEM-archive: Making Predictions Using Spatial Eigenvector Maps -- Supplementary Material
Notice bibliographique
Résumé
Predictive Moran's Eigenvector Map The source code found in this archive is meant to be executed in the R environment. Package pMEM, which calculates the pMEM, is not yet available on the CRAN and needs to be installed in order to execute the source code. It contains C/C++ source code and needs an R environment with package Rcpp installed and thus also requires a functional compilation toolchain. The packages declares an other dependency: sf, which is usually installed automatically. Other packages and software may be needed to succesfully compile the Rmarkdown files on other systems than the ones on which the paper has been written (Ubuntu Linux and MacOS X). For simulation, PostgreSQL (and, possibly, ssh) server access is needed for remote data base connection. Information on how to setup this service is beyond the scope of these instructions. Running simulations take many days on a set of computers running multiple thread per machine. Contents Analysis (folder) : contains the three R scripts (profile, simulation, and example) and auxiliary code (pMEM-aux.R) Data (folder) : contains the input/output data for the R scripts Image (folder) : contains the images from the R scripts Supplementary (folder) : contains the material for compiling the appendices pMEM_0.1.tar.gz : R package pMEM source code, it has to be installed in order to run the R scripts
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,433 | 0,234 |
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 ».