Extraction et gestion de connaissances dans un contexte spatio-temporel : applications à la géomatique pour la gestion des territoires
Bibliographic record
Abstract
/ Ce numéro spécial est orienté sur l'extraction et la gestion de connaissances dans le domaine de la géomatique et de la gestion des territoires où la vision spatio-temporelle est primordiale. Il est basé sur les travaux de la communauté SAGEO qui oeuvre dans le domaine depuis plusieurs années. SAGEO a pour objectif de fournir un lieu d'information et d'échange sur les recherches et les développements dans les domaines de la Géomatique et de l'Analyse Spatiale. SAGEO constitue un trait d'union entre le Groupe de Recherche SIGMA, le Groupe de Recherche Européen S4 (Simulation spatiale en Sciences Sociales) et le réseau GEOIDE canadien. Les articles sont des extensions de communications présentées lors de la conférence SAGEO 2007. Ce numéro donne un bon aperçu sur la variété des démarches et des techniques informatiques qui sont utilisées dans le domaine. Il illustre bien les enjeux sous-jacents et la complexité des problèmes à résoudre. Un thème qui est très actif et très présent dans ce numéro est celui de la visualisation. La visualisation est en effet un moyen incontournable tant pour communiquer les résultats d'extraction de connaissances spatio-temporelles, que pour positionner ces résultats les uns par rapport aux autres conférant ainsi une étape supplémentaire dans l'analyse, mais aussi pour permettre à l'usager d'engager interactivement de nouvelles analyses.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".