Bibliographic record
Abstract
Adopsi hewan sangat penting untuk meningkatkan kesejahteraan hewan dan mengurangi populasi hewan terlantar. Karena banyaknya hewan yang masuk dan jumlah sumber daya yang diperlukan untuk merawat mereka, tempat penampungan hewan di seluruh dunia menghadapi masalah yang signifikan. Setiap tahun, jutaan hewan ditempatkan di tempat penampungan untuk mencari rumah baru. Namun, tingkat adopsi sering kali tidak cukup untuk mengimbangi masuknya hewan baru, menyebabkan kepadatan di tempat penampungan dan risiko euthanasia hewan yang tidak diadopsi. Dalam beberapa tahun terakhir, pembelajaran mesin (ML) telah berkembang menjadi alat yang kuat untuk menganalisis data dan membuat prediksi. Salah satu algoritma berbasis pohon keputusan yang telah terbukti berhasil adalah XGBoost. Algoritma ini terkenal karena kinerjanya yang luar biasa dalam berbagai kompetisi data. XGBoost dapat membantu tempat penampungan hewan menemukan faktor-faktor penting yang mempengaruhi adopsi hewan peliharaan, dengan akurasi prediksi sebesar 95%. Menurut analisis fitur penting, faktor-faktor yang paling penting dalam menentukan adopsi hewan peliharaan adalah ukuran, kondisi kesehatan, usia, ras Labrador, dan jenis hewan anjing. Organisasi penyelamatan hewan dapat membantu meningkatkan rencana adopsi mereka dan memberi calon adopter informasi yang lebih akurat dengan memahami elemen penting ini.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.007 |
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".