To be published in Papers of Europe, special issue, Autumn 2012: IS HOSTING THE GAMES ENOUGH TO WIN? A PREDICTIVE ECONOMIC MODEL OF MEDAL WINS AT 2014 WINTER OLYMPICS
Notice bibliographique
Résumé
Starting from an econometric model which performed well in explaining medal wins in the previous Summer Olympics and predicting the medal distribution across nations at the Beijing Olympics, an adapted model is built up to achieve the same job for the Winter Games. When estimating the model for Winter Olympics the variables that determine the distribution of medal wins are: the level of economic development (GDP per inhabitant), population, a host country advantage, the political regime, the number of winter sports resorts and, to a lesser extent, the annual level of snow coverage. With this estimated model, the prediction of medal wins at the 2014 Sochi Games forecasts the biggest number of medals to be won by the U.S. team followed by Germany, Canada and Russia. Of course, such prediction may always reveal to be partly wrong due to possible sporting surprises which might emerge during the actual 2014 Games. Soon after Russia has got the organisation of Winter Games in Sochi in 2014, official expectation, namely mentioned by President Vladimir Putin, has become that Russia will win the Games she is going to host. A same feeling has been reinforced by a high Olympic performance of China at Beijing Summer Games in 2008 since the host country has won the greatest number of gold medals and the second overall number of medals, compared to all 1
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,013 |
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 ».