Développement d’un modèle de notation de crédit économétrique général pour des financements de projet
Bibliographic record
Abstract
Dans cet article, nous décrivons le processus de développement d’un modèle de notation de crédit de financement de projet. Tout d’abord, nous présentons chacune des étapes du développement du modèle menant à la sélection des facteurs quantitatifs et macroéconomiques pertinents dans l’établissement des cotes de crédit des financements de projet. Ensuite, des facteurs qualitatifs, dont les poids sont déterminés par jugement d’expert, sont ajoutés au modèle quantitatif afin d’obtenir le modèle final. Plusieurs tests de performance sont effectués sur ce modèle afin de valider le choix des facteurs et le poids de chacun d’eux dans le modèle. L’un de ces tests consiste à comparer la performance du modèle final à celle de plusieurs modèles alternatifs dont les poids des facteurs qualitatifs sont déterminés aléatoirement. Nous constatons que le modèle final surpasse la majorité des modèles alternatifs et surpasse grandement le modèle contenant seulement les facteurs quantitatifs et macroéconomiques.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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 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".