MétaCan
Menu
Back to cohort
Record W113793282 · doi:10.1522/030166451

Developpement d'un modele de gestion d'objets geo-localisables centralise utilisant differents moyens de communication dans une environnement OSGI /

2010· book· fr· W113793282 on OpenAlexaff
Abdelali Goundafi

Bibliographic record

Venuenot available
Typebook
Languagefr
FieldComputer Science
TopicContext-Aware Activity Recognition Systems
Canadian institutionsUniversité du Québec à Chicoutimi
Fundersnot available
KeywordsHumanitiesPolitical scienceArt

Abstract

fetched live from OpenAlex

Pendant la dernière décennie, la vente des GPS a connue une explosion à l'échelle planétaire. Les applications logicielles et les améliorations matérielles liées à cette industrie, ne cessent de proliférer et ce à une vitesse exponentielle. Désormais, les systèmes de géo-localisation, et plus précisément le GPS, sont utilisés dans plusieurs domaines. Plusieurs compagnies de transport l'utilisent pour contrôler l'itinéraire de leurs conducteurs afin d'optimiser l'utilisation du réseau routier, d'économiser la consommation d'essence, le temps de transit, etc. Les soldats l'utilisent lors des conflits pour se localiser dans les endroits les plus difficiles d'accès, ils utilisent le GPS aussi pour le guidage précis de leurs bombes et missiles afin de minimiser les dégâts collatéraux. Dans le domaine de la santé, le GPS permet d'augmenter les chances de survie des personnes atteintes d'Alzheimer en les localisant très vite. Un dispositif appelé VPS peut, via un cardiogramme intégré, déceler l'imminence d'une crise cardiaque et envoyer la position du patient aux services de santé afin d'intervenir à temps et par conséquent sauver le patient en question. Afin de pouvoir gérer tous les services de localisation mentionnés précédemment de manière automatique, nous avons besoin d'un système qui puisse interconnecter tous ces services de façon transparente sans que le code soit un frein pour le développement ni que l'ajout de nouveaux services alourdisse le système et rende la maintenance une tâche très difficile au programmeur. Le deuxième point de la problématique concerne la communication, les données peuvent être envoyées à distance, dans un système de géo-localisation classique, via un réseau cellulaire. L'usage du réseau cellulaire est coûteux et nous avons besoin d'autres alternatives pour assurer une communication sans-fil à distance à moindre coût. Le troisième point à résoudre est la précision des dispositifs de géo-localisation. Cette précision n'est pas toujours assurée avec l'usage classique du GPS. Des erreurs dans le système GPS peuvent augmenter considérablement l'imprécision de l'erreur sur le positionnement, pour palier ce problème nous devons disposer de solutions qui permettent d'augmenter la précision et de déterminer si le relevé de la position calculée par le GPS est fiable pour le service de géo-localisation. En mettant tous les services de géo-localisation dans un même système, nous parviendrons à créer un environnement coopératifs où chaque service pourra utiliser un ou plusieurs autres services pour optimiser le temps de réponse et d'intervention ce qui constitue un quatrième point de notre problématique. La vision globale des services coexistant dans le même système permettra aux décideurs de haut niveau de trouver la logistique optimale pour que les services gérés soient dans leurs pleines capacités opérationnelles. Les approches de localisation existantes sont basées sur une architecture client serveur où on utilise une connexion GPRS qui est très coûteuse pour envoyer les relevés de positionnement à distance et de manière périodique au serveur. Au niveau du serveur on dispose d'une application pour un service de géo-localisation souvent spécifique à un seul domaine d'application. Toute évolutivité du système devient difficile et onéreuse dépendamment de la complexité de l'application. Dans ce mémoire, j'ai conçu un modèle pour la gestion des objets géo-localisables qui nous permet de gérer plusieurs services de géo-localisation dans une même plateforme. Cette solution apportera des améliorations par rapport aux modèles standards au niveau du système de communication, la fiabilité des données de localisation, la programmation des composantes du système, de leur intégration et de leur maintenance. Nous avons implémenté ce modèle (dans un outil de gestion et de contrôle d'objets géo-localisables) pour répondre aux quatre problématiques mentionnées précédemment.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.023
Threshold uncertainty score0.046

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.002
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0030.002
Open science0.0020.002
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0080.003

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.058
GPT teacher head0.252
Teacher spread0.194 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2010
Admission routes1
Has abstractyes

Explore more

Same topicContext-Aware Activity Recognition SystemsFrench-language works237,207