Human Clarity Institute – Focus & Distraction Survey 2025 (Public Dataset v1.0)
Notice bibliographique
Résumé
<b>De-identified open dataset</b> from the Human Clarity Institute’s <i>2025 Focus & Distraction Survey</i> (N = 790), conducted across the United Kingdom, United States, Canada, Australia, Ireland, and New Zealand.Measures digital attention, productivity, focus, and wellbeing.<b>This dataset underpins the following HCI reports:</b>Values vs Noise – Full ReportWhy Can’t I Focus? – Full Report<b>Dataset page:</b> https://humanclarityinstitute.com/datasets/focus-distraction-2025/<br><b>GitHub repository:</b> https://github.com/humanclarityinstitute/HCI-FocusSurvey-2025<br><b>License:</b> Creative Commons Attribution 4.0 (CC BY 4.0)🧾 Data Integrity Note (HCI 2025)This dataset forms part of the Human Clarity Institute’s post-audit verification system linking all GitHub, Zenodo, and Figshare repositories. It has been cross-checked for file, metadata, and DOI alignment and validated within its theme cluster (e.g. focus, trust, fatigue, or purpose) using pivot-table consistency tests from the <i>Digital Life 2025</i> and <i>Focus & Distraction 2025</i> frameworks.Updates are version-controlled on GitHub and mirrored across all repositories within 24 hours to maintain transparent data lineage.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,017 | 0,016 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 ».