AurelienNicosiaULaval/contextual-statistics-with-llm: First release of the contextR package
Notice bibliographique
Résumé
Release: contextR v0.1.0 🧠📊 We are excited to announce the first release of contextR, an R package that bridges the gap between statistical analysis and Large Language Models (LLMs). What is contextR? contextR extends standard R statistical functions (lm, t.test, aov, etc.) to provide context-aware interpretations of your results. By leveraging local LLMs via Ollama (or OpenAI), it automatically generates plain-language explanations, making statistical insights more accessible. Key Features 🤖 AI-Powered Interpretation: Get immediate, contextual explanations for your statistical tests. 📈 Smart Visualizations: Plots come with auto-generated, meaningful titles and subtitles that describe the findings. 🔒 Privacy-First: Designed to work with local LLMs (Mistral, Llama 3, Gemma) via Ollama—your data stays on your machine. 🛠️ Drop-in Replacements: Functions like lm_context() and t_test_context() work just like their base R counterparts but return richer objects. 📦 Comprehensive Support: Linear Regression (lm) T-tests (t.test) ANOVA (aov) & Tukey HSD PCA (prcomp) Chi-squared & Proportion tests Time Series (arima) KNN Classification Correlation Matrices Installation You can install contextR directly from GitHub: # install.packages("devtools") devtools::install_github("AurelienNicosiaULaval/contextual-statistics-with-llm/contextR") Quick Start Install Ollama from ollama.com and pull a model: ollama pull mistral Run an analysis: library(contextR) # Contextual Linear Regression fit <- lm_context(mpg ~ wt + hp, data = mtcars) # Print results with AI interpretation print(fit) # Plot with AI-generated titles plot(fit) Acknowledgments This package was developed by consolidating the best implementations from student team projects at Université Laval. It represents a collaborative effort to modernize statistical reporting in R.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,312 | 0,313 |
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 ».