Bibliographic record
Abstract
Regras de associao so amplamente utilizadas na literatura para extrair e explorar correlaes dentro de bases de dados. As regras so extradas por meio de uma anlise combinatria de todos os possveis valores de variveis, com tamanho variando de 2 a N, sendo filtradas por medidas como suporte e confiana. O suporte aplica um filtro de ocorrncia mnima, enquanto a confiana apresenta um filtro de probabilidade condicional mnima. Por esse motivo, as regras de associao tendem a apresentar 1 dos 2 problemas: (i) os valores de suporte e confiana so muito altos e somente regras bvias so apresentadas ou (ii) os valores de suporte e confiana so muito baixos e o nmero de regras extradas extremamente alto. No caso (i), o conhecimento extrado provavelmente no novidade para o especialista da rea, o que torna todo o processo de minerao no produtivo. J no caso (ii), h um conhecimento potencialmente til extrado pelas regras; entretanto, devido ao alto nmero de padres, esse conhecimento difcil de ser encontrado. Visando auxiliar o problema descrito em (ii), foram propostos algumas abordagens de ps-processamento de regras de associao, entre elas a Association Rule Network (ARN). A ARN capaz de explorar a base de regras de acordo com um item objetivo, focando toda a explorao em identificar quais itens da base esto correlacionados com o item escolhido. Ao modelar apenas um nico item, a ARN mostrou-se incompleta, uma vez que itens dominantes podem se relacionar com vrios itens de uma base de dados mas no ser importante para a ocorrncia de nenhum deles. Neste doutorado foram propostas 2 abordagens capazes de explorar as regras geradas, focando a explorao em mais de um item objetivo. A exARN Convencional e a exARN Gulosa. Ao explorar as regras com mais de um item objetivo, as abordagens propostas so capazes de identificar itens dominantes, que so itens que se relacionam com vrios itens objetivos, e itens determinantes, que se relacionam com apenas um nico item objetivo. Os resultados para ambas as abordagens foram promissores. A exARN Convencional apresentou bons resultados em bases menos densas,
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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 teacher head, 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".