Validation de données issues de systèmes de mesure incertains
Bibliographic record
Abstract
Lorsque des mesures sont effectuées sur un système, il est utile de s'assurer de leur cohérence. Pour cela, il est nécessaire de disposer de redondances permettant de comparer différentes estimées d'une même grandeur. Généralement, deux modes de redondance, l'un matériel, l'autre analytique, sont utilisés. Dans les deux cas, la redondance est traduite par des modèles (du système de mesure, ou des relations liant les grandeurs à mesurer) ; ces modèles ont cependant une précision limitée et une façon de prendre en compte ce fait est de décrire les imperfections et les imprécisions par des paramètres incertains mais bornés. Cette présentation montre comment décrire des modèles à paramètres incertains et bornés, comment les utiliser pour la validation de données et, en particulier, comment estimer l'état d'un système décrit par un modèle statique linéaire. Pour simplifier l'exposé, le cas de systèmes de mesure linéaires statiques à incertitudes additives et multiplicatives est considéré et quelques idées d'extension sont évoquées.
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 | 0.051 | 0.255 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.005 | 0.005 |
| Research integrity | 0.006 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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; 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".