Bibliographic record
Abstract
La theorie des Sondages s’interesse a la facon d’inferer sur une population constituee par exemple de menages, d’entreprises, ou de consommateurs d’electricite, en se basant sur un echantillon de quelques centaines ou de quelques milliers d’unites seulement. La procedure d’echantillonnage depend de la connaissance a priori que l’on a de la population. En presence d’une base de sondage unique, l’echantillon peut etre obtenu par tirage direct. Dans certains cas, il est necessaire de recourir a plusieurs bases pour couvrir l’ensemble de la population. Un echantillon est alors selectionne dans chacune, et l’objectif est de les combiner afin de produire une estimation aussi precise que possible. Quand on ne dispose d’aucune base de sondage, des methodes d’echantillonnage indirect sont generalement privilegiees. Les techniques de sondage constituent egalement une approche interessante dans le cas ou de tres grands volumes de donnees sont disponibles, et qu’il est necessaire d’en reduire la dimension afin de les rendre exploitables. Au cours des dernieres annees, les taux de reponse pour les enquetes aupres des menages n’ont cesse de baisser. Des efforts particuliers ont ete faits sur la relance des non-repondants afin d’optimiser les taux de retours. L’objectif est maintenant de mieux cibler les non-repondants vises par une relance, de facon a equilibrer les profils des repondants finaux et ainsi a limiter les risques de biais. Une fois la phase de relance terminee, la non-reponse residuelle est prise en compte et modelisee afin d’etre finalement corrigee.
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.008 | 0.006 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.039 | 0.018 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".