Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Los datos coleccionados del mundo fisico, biologico o producto de la actividad humana usualmente estan altamente correlacionados entre ellos, estableciendose el cuestionamiento de si menos variables pueden contener casi la misma informacion. Una solucion cruda es mirar simplemente a la matriz de correlacion de Pearson y omitir uno de un par de variables altamente correlacionadas. En contraste con esto, nosotros desarrollamos un metodo sistematico de condicionar una o mas variables, y observar la resultante matriz de covarianzas. Si las variables tienen una pequena varianza despues de condicionar, entonces las variables condicionantes contienen la mayor parte de la informacion de todas variables originales. Paralelamente a los usuales tests aplicados en juzgar cuantos componentes principales son suficientes para representar toda la data, usamos la cantidad de varianza explicada por la(s) variable(s) condicionante(s), como una medida de la informacion contenida. El trabajo explica la computacion e incluye ejemplos usando conjuntos de datos publicados. El enfoque esta basado en la alta ganancia respecto al uso de componentes principales, y posee la obvia ventaja respecto a ellos de omitir simplemente algunas de las variables originales a partir de otras consideraciones. El metodo ha sido codificado en Visual-Basic anadido a una hoja de calculo Excel
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.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 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 it