Bibliographic record
Abstract
Depuis l’avènement des grands moteurs de recherche qui ont démocratisé l’utilisation de l’informatique dans les foyers, l’idée de la possibilité de créer un jumeau numérique complet de la planète et de tous ses constituants s’est fait jour, commençant par la géographie du globe, puis zoomant au niveau d’un pays, d’une ville, d’une maison, d’une pièce et, pourquoi pas, d’un individu. Mais que nous faut-il comme données ( data ) pour modéliser cet individu et quelles sont celles dont nous disposons déjà ? Que savons-nous de ses habitudes, de ses besoins, de sa santé, de ses relations, de son comportement ? Pourrions-nous mettre en place des capteurs qui nous fourniraient ces données ? Disposons-nous des technologies nécessaires à la réalisation de cet objectif ? Un tel projet, s’il était réalisable pourrait-il être rentable ? Et nous pourrions poursuivre ce questionnement à volonté. Mais à l’heure où les ressources se font rares, où la planète court un danger écologique sans précédent, nous nous sommes posé la question de l’utilité pour l’homme d’un tel projet. Où devons-nous poser des barrières ? Comment mettre en place une stratégie positive sur la création et la valorisation des data ? Nous aborderons de façon très synthétique dans l’article cette question sous les angles technologique, économique, juridique et éthique.
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 | 0.002 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.008 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.232 | 0.082 |
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".