Bibliographic record
Abstract
Une façon répandue de transformer des chiffres d’exercices financiers en estimations d’année civile consiste à considérer l’estimation civile comme une fraction (par exemple 1/4) d’un chiffre financier et d’une fraction complémentaire (3/4) du chiffre financier suivant. À titre d’exemple, si l’année financière se termine en mars, l’estimation de 1987, disons, est l’addition des deux chiffres suivants : 1/4 du chiffre de 1986-87 et 3/4 du chiffre de 1987-88. Selon le présent article, ce procédé est acceptable seulement si les chiffres financiers sont en hausse (ou en baisse) ininterrompue. En effet, en cas de changement de direction — et même de plafonnement — des chiffres financiers, le procédé implique un comportement invraisemblable de la composante conjoncturelle sous-jacente. Ceci complique l’analyse conjoncturelle, la prise de décision et la gestion macro-économique. L’article compare le procédé à une méthode récemment mise au point par Cholette et Baldwin (1989). Cette dernière est essentiellement une adaptation des méthodes utilisées pour l’étalonnage, c’est-à-dire pour l’ajustement de séries infra-annuelles à des jalons annuels (Denton, 1971; Bournay et Laroque, 1979); de même qu’une adaptation des méthodes utilisées pour l’interpolation entre valeurs annuelles civiles (Boot, Feibes et Lisman, 1967).
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
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".