Multi-way correspondence analysis approach to examine Nobel Prize Data from 1901 to 2018
Notice bibliographique
Résumé
This study examines Nobel Prize data by studying the association between the nationality of the laureate, the discipline in which the Nobel Prize was awarded, and the gender of the recipient by maintaining the multi-way structure of the data. A three-way contingency table is formed by simultaneously cross-classifying the three categorical variables using a three-way correspondence analysis to assess the association between the three variables. The significance of this study lies in preserving the multivariate associations, which the multiple correspondence analysis approach does not allow. The multi-way correspondence analysis (MWCA) maintains all three-way associations as well as the pair-wise structures between the variables in the case of three variables. The present study consists of 785 individuals from eight developed countries that received a Nobel Prize in the period from 1901 to 2018 (inclusive) – the countries being Canada, France, Germany, Italy, Japan, Russia, British Isles and the United States of America, while the disciplines in which the individuals were awarded the prize include chemistry, physics, physiology or medicine, literature, economics and peace. The results from the MWCA suggest that a strong symmetric association exists between the three variables, in addition, there is a statistically significant association between each pair-wise combination of the variables. The application shows that male physics recipients tend to be from Russia, Japan, and France while female recipients were more likely to be from Japan and France. Furthermore, the analysis highlights that the female medicine recipients are predominantly from the United States of America and the British Isles.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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 ».