Ãtude de la performance dâun algorithme Metropolis-Hastings avec ajustement\ndirectionnel
Notice bibliographique
Résumé
Les méthodes de Monte Carlo par chaîne de Markov (MCMC) sont des outils très populaires\npour l’échantillonnage de lois de probabilité complexes et/ou en grandes dimensions.\nÉtant donné leur facilité d’application, ces méthodes sont largement répandues\ndans plusieurs communautés scientifiques et bien certainement en statistique, particulièrement\nen analyse bayésienne. Depuis l’apparition de la première méthode MCMC en\n1953, le nombre de ces algorithmes a considérablement augmenté et ce sujet continue\nd’être une aire de recherche active.\nUn nouvel algorithme MCMC avec ajustement directionnel a été récemment développé\npar Bédard et al. (IJSS, 9 :2008) et certaines de ses propriétés restent partiellement\nméconnues. L’objectif de ce mémoire est de tenter d’établir l’impact d’un paramètre clé\nde cette méthode sur la performance globale de l’approche. Un second objectif est de\ncomparer cet algorithme à d’autres méthodes MCMC plus versatiles afin de juger de sa\nperformance de façon relative.
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 | 0,012 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».