Bibliographic record
Abstract
L’application traitée dans ce rapport a pour objectif la gestion d’un restaurant spécialisé dans la vente et la livraison de menus de poulet, de poutine, de chorizo (saucisson de porc) et de bifana (escalope de porc). Notre restaurant porte le nom de Piri Piri. Actuellement, il existe trois restaurants de ce type à Montréal qui sont répartis dans les quartiers à notoriété affirmée à savoir Plateau Mont-royal, St-Catherine, Masson. En tout, c'est un secteur en plein expansion et ce développement peut se propager dans tout les coins de Montréal et pourquoi pas tout le Canada. Avant de se lancer dans la programmation proprement dite du logiciel, on a réfléchi aux outils de travail les mieux adaptés à ce type d’application. D’une part, on avait choisir l’AGL (Atelier de Génie Logiciel) qu’on allait utiliser, et d’autre part, le système de gestion de bases de données le plus approprié aux types de manipulations qu’on souhaitait effectuer sur les données. Pour ce qui est du choix de l’AGL, on a décidé de confronter principalement Eclipse, WinDev 11, Kdelopp, Uniface 9.2, ainsi que PACBASE et Netbeans. Après analyse du tableau, il en ressort qu’Eclipse, Netbeans et WinDev ont tous des points performants qui les laissent occuper les premières places. Cependant, tout au long du cour : « Anal. et conc. des interfaces utilisateurs », l’AGL choisie était celle de Netbeans, vu tout ses avantages de conception qu’il offre, le choix s’est porté sur Netbeans.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 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; 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".