Notice bibliographique
Résumé
Tilings are defined inductively. It is shown that one form of mutilated chess board cannot be tiled with dominoes, while another one can be tiled with L-shaped tiles. Sections 1 and 2 are by Paulson and described elsewhere [1]. Section 3 is by Nipkow and formalizes a well-known argument from the literature [2]. Please add further fun examples of this kind! theory Tilings imports Main begin 1 Inductive Tiling inductive-set tiling:: ′ a set set ⇒ ′ a set set for A:: ′ a set set where empty [simp, intro]: {} ∈ tiling A | Un [simp, intro]: [ a ∈ A; t ∈ tiling A; a ∩ t = {}] = ⇒ a ∪ t ∈ tiling A lemma tiling-UnI [intro]: [ t ∈ tiling A; u ∈ tiling A; t ∩ u = {} ] = ⇒ t ∪ u ∈ tiling A apply (induct set: tiling) apply (auto simp add: Un-assoc) done lemma tiling-Diff1E: assumes t−a ∈ tiling A and a ∈ A and a ⊆ t shows t ∈ tiling A proof − from assms(2 −3) have EX r. t = r Un a & r Int a = {} by (metis Diff-disjoint Int-commute Un-Diff-cancel Un-absorb1 Un-commute) thus?thesis using assms(1,2) by (auto simp:Un-Diff) (metis Compl-Diff-eq Diff-Compl Diff-empty Int-commute Un-Diff-cancel 1 qed Un-commute double-complement tiling.Un) lemma tiling-finite: assumes ∧ a. a ∈ A = ⇒ finite a shows t ∈ tiling A = ⇒ finite t apply (induct set: tiling) using assms apply auto done
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 tête enseignante, 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 ».