Niveau 2 : Outil de sélection semi-quantitatif (OSSQ) en fonction des risques sismiques pour les bâtiments existants à ossature légère en bois en vertu de la partie 9 du CNB. Partie 1 : guide d’utilisation
Bibliographic record
Abstract
L’Outil de sélection semi-quantitatif (OSSQ) de niveau 2 en fonction des risques sismiques pour les bâtiments à ossature légère en bois en vertu de la partie 9 du CNB (OLB-P9) vise à identifier à peu de frais les bâtiments OLB-P9 existants présentant des risques sismiques acceptables qui peuvent par conséquent être exemptés d’une évaluation selon les Lignes directrices pour l’évaluation parasismiques (LDEP) de niveau 3 (Fathi-Fazl et coll., 2022) et à ainsi donner la priorité aux bâtiments OLB-P9 existants présentant des risques sismiques potentiellement inacceptables pour les évaluations selon les LDEP de niveau 3. Il est précédé de l’Outil de sélection préliminaire en fonction des risques sismiques (OSP) de niveau 1 pour les bâtiments OLB-P9 existants en vertu de la partie 9 du CNB (Cai et coll., 2022a; Cai et coll., 2022b). La méthodologie de l’OSSQ de niveau 2 (OLB-P9) est fondée sur l’OSSQ de niveau 2 (Fathi-Fazl et coll., 2020a; Fathi-Fazl et coll., 2020b) initialement mis au point pour les bâtiments existants en vertu de la partie 4 du CNB (aussi appelés bâtiments de la partie 4). Il comprend un système de notation structurale, un système de notation non structurale et une procédure de classement. L’OSSQ de niveau 2 (OLB-P9) est conçu pour être rempli par des examinateurs formés ou des examinatrices formées qui doivent utiliser les formulaires de sélection de l’OSSQ de niveau 2 (OLB-P9). Une visite des lieux est requise pour recueillir des renseignements sur les bâtiments, comme la détérioration ou les dommages aux bâtiments et les aléas non structuraux.
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 | 0.025 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.006 |
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".