Bibliographic record
Abstract
A szőke Lydia életében először jut el odáig, hogy tízes méretű cuccokat hordhat, sőt úgy érzi, megtalálta élete nagy szerelmét. Talán. Zaklatott élete és balul sikerült pasizásai után az elképzelhető legcsodásabb vakáció elé néz. Igaz, a karibi üdülő kissé lerobbant, ami pedig a fiút illeti, ő se egy görög isten, de Lydia most tapasztalja meg először, milyen az, ha valaki őt szereti őrült módon és mégis gyengéden. De amikor Abe nem tér vissza a búvárkalandból, Lydia kénytelen néhány nagyon kellemetlen ténnyel szembenézni: a férfi hárommillió dollárt sikkasztott el a családja vagyonából, és lehet, hogy nem is annyira halott, mint amennyire azt el szeretné hitetni magáról. Lydia a jóképű Liam MacNallyt, a New York-i rendőrség búvárkülönítményének volt tagját, a javíthatatlan romantikust szemeli ki a feladatra: kerítse elő a barátját. De amikor Abe nem tér vissza a búvárkalandból, Lydia kénytelen néhány nagyon kellemetlen ténnyel szembenézni: a férfi hárommillió dollárt sikkasztott el a családja vagyonából, és lehet, hogy nem is annyira halott, mint amennyire azt el szeretné hitetni magáról. Lydia a jóképű Liam MacNallyt, a New York-i rendőrség búvárkülönítményének volt tagját, a javíthatatlan romantikust szemeli ki a feladatra: kerítse elő a barátját.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.005 | 0.002 |
| Insufficient payload (model declined to judge) | 0.958 | 0.964 |
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".