Recueil planifié des données : compléments sur l'échantillonnage
Notice bibliographique
Résumé
Recueil planifié des données : compléments sur l'échantillonnage Philippe Letourmy, Cirad, décembre 2017 (Établi en partie à partir d'une présentation de Statistique Canada)Toutes les méthodes vues précédemment ont concerné des plans de sondage aléatoires.La sélection probabiliste d'un échantillon repose sur le principe de la randomisation, ou procédure de sélection aléatoire des unités dans l'échantillon.Dans ce cas, il est possible de calculer la probabilité d'inclusion de chaque unité dans l'échantillon.Grâce à l'échantillonnage aléatoire, on peut produire des estimations fiables, de même que des estimations de l'erreur d'échantillonnage et faire des inférences au sujet de la population.Dans la suite, nous allons voir des plans d'échantillonnage, aléatoires ou non aléatoires, très utilisés, mais pour lesquels toute inférence est basée sur le modèle des observations.Nous terminerons par une introduction aux plans aléatoires à probabilités inégales, au travers d'un exercice. 1) Un plan aléatoire : l'échantillonnage systématiqueParfois appelé échantillonnage par intervalles, l'échantillonnage systématique signifie qu'il existe un écart, ou un intervalle, entre chaque unité sélectionnée qui est incluse dans l'échantillon.Il faut suivre les étapes énumérées ci-dessous pour sélectionner un échantillon systématique.1. Numéroter de 1 à N les unités de la base de sondage (où N est la taille de la population totale).2. Déterminer l'intervalle d'échantillonnage (K) en divisant le nombre d'unités de la population par la taille de l'échantillon désiré.Par exemple, pour sélectionner un échantillon de 100 unités à partir d'une population de 400, il faut un intervalle
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 | 0,050 | 0,215 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,011 |
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 ».