Ontologie d’Alerte Choucas : de la modélisation des connaissances à un outil support d’un raisonnement géovisuel
Bibliographic record
Abstract
Lorsqu’une intervention de secours est nécessaire, localiser précisément et rapidement le site sur lequel envoyer les équipes est primordial. La littérature montre que des outils de géovisualisation constituent des solutions pertinentes pour supporter des processus d’analyse d’informations dans des contextes variés. Nous nous intéressons ici au raisonnement du secouriste réceptionnant un appel à l’aide et visons des solutions conceptuelles et logicielles dédiées à la tâche de détermination de la localisation de la victime, plus particulièrement dans le contexte du secours en montagne. Nous avons formalisé le raisonnement du secouriste et les informations sur lesquelles il ou elle s’appuie à l’aide d’une ontologie. L’Ontologie d’Alerte Choucas structure les concepts exploités par le secouriste qui élabore des hypothèses de localisation probable de la victime à partir d’informations (telles qu’une position relative, un temps de marche, une direction) fournies lors d’un échange verbal. Dans notre approche, l’ontologie est en outre exploitée pour dériver les composants d’interface d’un prototype de géovisualisation facilitant le raisonnement du secouriste. Ces composants sont une aide à la saisie des informations, en fournissant une restitution cartographique adaptée, et contribuent à construire et à affiner la zone de localisation. Notre approche présente une chaine de traitements originale, menant de la représentation des connaissances à la génération automatisée d’une interface fonctionnelle d’aide au raisonnement visant à localiser des victimes en montagne.
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 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.009 | 0.009 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".