Bibliographic record
Abstract
La croissance et la généralisation du risque de crédit rendent nécessaire une meilleure connaissance du processus de crédit et des modèles d’estimation de ce risque. Le présent article s’attelle à cette tâche en présentant de manière exhaustive le processus de crédit d’une part, et en comparant la performance relative de quatre modèles de prévision d’insolvabilité d’autre part. Elle utilise les données d’entreprises américaines sur la période 1980- 1997. Les résultats de la comparaison des quatre modèles de prévision indiquent que le partitionnement récursif obtient le meilleur rang (avec un score de 13,30), suivi des réseaux de neurones artificiels (7,26), de l’algorithme génétique (7,22) et de l’analyse discriminante (4,32). Les modèles basés sur l’intelligence artificielle (réseau de neurones artificiels, partitionnement récursif et algorithme génétique) semblent ainsi prendre le dessus sur l’analyse discriminante. Ces modèles présentent l’avantage d’être des méthodes non paramétriques, qui ne font aucune hypothèse sur la distribution des variables explicatives utilisées. Dans l’analyse discriminante par contre, les variables explicatives utilisées doivent obéir à certaines hypothèses de départ, telle la normalité, hypothèses qui ne sont pas toujours respectées dans la pratique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.024 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.003 | 0.007 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
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".