Model Variable Augmentation (MVA) for Diagnostic Assessment of Sensitivity Analysis Results (v1.0)
Notice bibliographique
Résumé
Model Variable Augmentation (MVA) for Diagnostic Assessment of Sensitivity Analysis Results by Juliane Mai and Bryan A Tolson (University of Waterloo, Canada) Version 1.0 (Jan 2020) Abstract The method of Model Variable Augmentation (MVA) was introduced to assess the quality of SA results without performing any additional model runs or requiring bootstrapping. MVA is proven to perform well when only a small number of model runs was used to obtain the sensitivity indexes. MVA augments the original model input variables with additional variables of known properties. The sensitivities of the augmented model variables are used to draw conclusions on the reliability of the other "original" model parameters' sensitivities. The MVA method is already successfully tested with two global SA methods: the variance-based Sobol' method and the moment-independent PAWN method. The full paper can be found here. Step-by-Step Tutorial The step-by-step tutorial describes all the steps to estimate sensitivity indexes for (original) model variables and the augmented parameters. It also explains how to analyse these results and how to draw conclusions on the reliablility of the sensitivity indexes of the original model variables. Details can be found here. Examples We provide some case studies to show how MVA can help: to check the implementation of the sensitivity analysis method (see here) to obtain a robust ranking of the model variables (see here) to estimate the uncertainty of the sensitivity indexes without the necessity of bootstrapping (see here) Citation J Mai & BA Tolson (2019). Model Variable Augmentation (MVA) for diagnostic assessment of sensitivity analysis results. Water Resources Research, 55, 2631– 2651. https://doi.org/10.1029/2018WR023382
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 | 0,038 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,084 | 0,019 |
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 ».