A la recherche de quasars à grand décalage spectral dans le sondage CFHQSIR
Bibliographic record
Abstract
J'ai consacre mon travail de these a la recherche de quasars a haut redshift dans le sondage Canada France High-z Quasar Survey in the Near Infrared (CFHQSIR). L'objectif principal de ce programme est de decouvrir des quasars de redshift de l'ordre de z $\sim$ 7 dans les champs larges du CFHTLS (CFHTLS Wide) en utilisant des images realisees dans le proche infrarouge avec la camera WIRCam installee au foyer du CFHT. J'ai tout d'abord effectue la calibration photometrique de l'ensemble des donnees de CFHQSIR. J'ai ensuite etudie la qualite des images ainsi que leur propriete de bruit et leur profondeur. J'ai dans un deuxieme temps calcule le nombre de quasars qu'il serait possible de detecter avec CFHQSIR et en ai deduit les contraintes envisageables sur la fonction de luminosite des quasars a z $\sim$ 7. J'ai ensuite procede a l'identification de candidats quasars parmi les dizaines de milliers de sources que comptent les 130 degres carres couvert par CFHQSIR. Des observations de suivi photometriques des candidats ont finalement permis de reveler une cinquantaine d’objets, dont une quinzaine a ete selectionnee pour des observations spectroscopiques au Very Large Telescope (VLT). Celles-ci n’ayant, pour la plupart, pas encore ete realisees, la nature exacte de ces sources ne pourra etre connue que dans les prochains mois. Pour finir, la derniere partie de ma these s’est focalisee sur l’etude de modeles statistiques bayesiens afin de completer ma methode de selection de candidats quasars. Cette etude m'a finalement permis de verifier que la majorite des objets retenus pour des observations spectroscopiques etaient effectivement les candidats les plus probables.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".