Bibliographic record
Abstract
Nous introduisons un nouveau cadre formel afin de scruter les réponses d'une grande population de votants. Notre cadre permet la collecte des votes tout en garantissant l'anonymat des participants ainsi que la possibilité de vérifier publiquement le résultat du scrutin. Contrairement aux approches précédentes à ce sujet, nous n'exigeons pas que le scrutateur soit digne de confiance lors de l'annonce des résultats, ni ne nous reposons sur une vérification "forte" de l'identité des participants. Nous proposons un protocole de scrutin "basé sur l'effort" dont les résultats du vote peuvent être vérifié publiquement via la construction d'un "graphe de certification des votants" dont les sommets sont étiquetés par diverses informations liées à chaque votant et dont les arêtes servent à la certification de l'honnêteté mutuelle de certaines paires de votants. La certification de l'honnêteté mutuelle est obtenu par l'elaboration du concept de "preuves d'effort privées" (PEP) vérifiables en privé. Dans les faits, de notre protocole se dégage un méthode générale permettants de convertir des preuves vérifiables en privé en preuves vérifiables en public. La justesse de la transformation repose sur les propriétés d'expansion du graphe de certification.Nos résultats sont applicables dans divers scenarios dans lesquels la collecte collaborative d'information de masse est nécessaire. Ceux-ci incluent les crypto-monnaies, les sondages pré-électoraux, les élections, les systèmes de recommendation, les votes télévisuels et les sondages d'opinions.
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 | 0.019 | 0.081 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.009 | 0.018 |
| Open science | 0.005 | 0.015 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".