TREND: Bureau of Transportation Statistics. Border Crossings: Border Crossings - Train Passengers | State: Arizona | Port: AZ:Douglas, AZ:Lukeville, AZ:Naco, AZ:Nogales, AZ:San Luis, AZ:Sasabe, 1996 - 2014. Data-Planet™ Statistical Datasets by Conquest Systems, Inc. Dataset-ID: 007-003-016
Notice bibliographique
Résumé
Bureau of Transportation Statistics. Border Crossings: Border Crossings - Train Passengers | State: Arizona | Port: AZ:Douglas, AZ:Lukeville, AZ:Naco, AZ:Nogales, AZ:San Luis, AZ:Sasabe, 1996 - 2014. Data-Planet™ Statistical Datasets by Conquest Systems, Inc. Dataset-ID: 007-003-016 Dataset: Number of entries of train passengers and crew into the US at land ports along the US-Canadian and U.S.-Mexican border. This dataset contains data on entries into the US of vehicles, commercial containers, passengers, and pedestrians through land ports along the US-Canadian and U.S.-Mexican border. The Bureau of Transportation Statistics obtains this data on a monthly basis from U.S. Customs and Border Protection. http://www.bts.gov/programs/international/transborder/TBDR_BC/TBDR_BC_Index.html Category: Transportation and Traffic, Military and Defense Subject: Passengers, Rail Transportation, Border Crossings, Border Patrol, Transportation, Homeland Security, Railroads Source: Bureau of Transportation Statistics The Bureau of Transportation Statistics (BTS) was established as a statistical agency in 1992. The Intermodal Surface Transportation Efficiency Act (ISTEA) of 1991 created BTS to administer data collection, analysis, and reporting and to ensure the most cost-effective use of transportation-monitoring resources. BTS brings a greater degree of coordination, comparability, and quality standards to transportation data, and facilitates in the closing of important data gaps. http://www.bts.gov/
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,001 |
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 ».