Bibliographic record
Abstract
Mon travail de recherche au cours de ces trois années de thèse sous la direction de Thierry Forveille et de Xavier Delfosse au laboratoire d'astrophysique de Grenoble a été consacré à la recherche de naines brunes dans un relevé grand champ de nouvelle génération que nous avons appelé le Canada-France Brown Dwarf Survey -CFBDS-. La thématique de ma thèse est centrée sur l'étude des naines brunes froides et la constitution d'un grand échantillon de naines brunes, comme base pour une analyse statistique photométrique et spectroscopique. Tétais chargé en premier lieu de la mise au point du pipeline d'analyse et de sélection des candidats au sein de la collaboration internationale dédiée à la recherche de naines brunes et de quasars à grand décalage vers le rouge. Dans le chapitre l, je fais un récapitulatif rapide de l'ensemble des avancées scientifiques dans le domaine des naines brunes avant la présente thèse. Le chapitre 2 présente le Canada- France Brown Dwarf Survey, qui fournit les données au coeur de mon travail, ainsi que notre stratégie d'analyse. Le chapitre 3 détaille le pipeline que j'ai mis en place pour identifier au mieux les naines brunes dans les images grand champs et présente une évaluation de ses performances. Les candidats ainsi identi és sur la base de leur photométrie sont présentés dans le chapitre 4. Dans ce chapitre je décris mes méthodes d'estimation des biais statistiques du CFBDS, ainsi que la fonction de luminosité des naines brunes du champ que nous en avons extraite. Enfin le chapitre 5 donne une revue des informations contenues dans le spectre des naines brunes. J'y présente ensuite les résultats issus de nos observations spectroscopiques.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".