Bibliographic record
Abstract
Edf-R&D-Chatou a accueilli la conférence internationale EVAN (Advances in Extreme Value Analysis and application to Natural Hazard) du 17 au 19 septembre 2019 réunissant chercheurs, ingénieurs, étudiants et universitaires. Cette conférence a été l’occasion pour tous les professionnels présents de partager leurs expériences et leurs idées sur l’étude des variables géophysiques extrêmes (niveau de la mer, vents, vagues, neige, température, précipitations, débits…) et les travaux liés aux risques naturels (inondations, submersion marine, tempêtes de vent, vagues de chaleur, sécheresses, glissements de terrain, orages, érosion, tremblement de terre et tsunami). Le Laboratoire National d'Hydraulique et Environnement (LNHE) d'EDF et le Laboratoire Saint Venant ont organisé cet évènement avec la Société Hydrotechnique de France (SHF). Trois invités d’honneur, qui ont été très appréciées, sont intervenus au cours ces trois journées d’échanges : (1) Taha Ouarda, professeur d’hydrométéorologie et de statistique à l’INRS (Canada) ; (2) Neil Macdonald, professeur de géographie à Université de Liverpool (UK) ; (3) Dario Camuffo, professeur de physique et membre du « National Research Council » (Italie). Ce que l’on retiendra sans doute de particulier est l’importance des évènements historiques extrêmes naturels permettant, d’une part, d’avoir de longues chroniques d’extrêmes (ce qui est toujours mieux pour faire des statistiques) et aussi permettant une approche très prudente quant à la perception de tendances éventuelles à court ou long terme. Par ailleurs, l’organisation générale a été très bien réussie, et l’on doit, d’ailleurs, remercier l’équipe très professionnelle du Campus de Chatou qui est d’une aide précieuse pour le succès de la conférence. Le cycle des conférences EVAN continue car en 2021, cela se déroulera à l’université de Floride et, en 2023, à Venise. Enfin, un « Special Issue » de la revue internationale NHESS va être ouvert aux participants de la conférence EVAN 2019, avec une soumission possible avant le 31 mars 2020.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.008 | 0.004 |
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; both teacher heads agree on what is shown here.
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".