Revue de processus ponctuels et synthèse de tests statistiques pour le choix d'un type de processus
Bibliographic record
Abstract
Nous nous intéressons dans ce travail de recherche à la modélisation d'une série d'événements par la théorie des processus ponctuels temporels. Un processus ponctuel est défini comme étant un processus stochastique pour lequel chaque réalisation constitue une collection de points. Un grand nombre d'ouvrages traitent particulièrement de ces processus, cependant, il existe dans la littérature peu de travaux qui se préoccupent de l'analyse de séries d'événements. On identifie deux catégories de séries d'événements : une série d'un seul type d'événements et une série de plusieurs types d'événements. L'objectif de ce travail est de mettre en évidence les différents tests statistiques appliqués aux séries d'un seul ou de plusieurs types d'événements et de proposer une classification de ces tests. Nous présentons d'abord une revue de littérature des processus ponctuels temporels, accompagnée d'une classification de ces modèles. Par la suite, nous identifions les tests statistiques de séries d'un seul type d'événements et nous examinons leur applicabilité pour une série de deux ou de plusieurs types d'événements. Les tests statistiques identifiés sont répartis en quatre classes : analyse graphique, tests appliqués au processus de Poisson homogène et non homogène, tests appliqués au processus de renouvellement homogène et les tests de discrimination entre deux processus ponctuels. Ce travail est réalisé avec l'idée d'une application ultérieure dans le cadre de l'analyse du risque. Les résultats de cette recherche ont montré qu'il n'existe dans la littérature que des tests d'une série d'un seul type d'événements et ils sont, généralement, valables pour les processus ponctuels suivants : Poisson homogène et renouvellement homogène. L'application de ces tests aux séries de deux ou de plusieurs types d'événements est possible dans le cas où les événements sont définis par leurs nombres et leurs temps d'occurrence seulement, i.e. la durée de chaque événement n'est pas prise en considération.
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 | 0.011 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.003 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 teacher head, 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".