RouteInfo : a navigation system with online access to LBS
Bibliographic record
Abstract
La majorité des systèmes de navigation embarqués utilisent des CDs ou DVDs pour \nemmagasiner les données de cartes numériques et de points d'intérêt dont la mise à \njour constitue un grand défi pour les fournisseurs commerciaux. Dans ce mémoire, nous \nproposons une ossature pour une nouvelle génération de systèmes de navigation utilisant \nla télécommunication et les approches modernes de recherche d'information. La \nméthodologie proposée permet de développer des agents pour rechercher et accéder à des \ninformations géo-référencées en ligne par Internet. \nLes nouvelles méthodes proposées dans ce mémoire concernent l'extraction des adresses \npostales dans une page Web et le calcul d'un chemin de parcours. Nous avons utilisé \nl'approche de recherche d'information conceptuelle pour développer un système pour \nl'extraction des adresses postales et l'approche hiérarchique pour calculer un chemin \nde parcours à partir d'un réseau routier. Nous avons développé un prototype, nommé \nRouteinfo, pour valider ces méthodes. Routeinfo intègre la fonction de positionnement, \nla recherche des informations géo-référencées, le géocodage des adresses et le calcul d'un \nchemin de parcours pour effectuer la recherche en ligne des informations géo-référencées et \npour guider l'automobiliste. Nous avons aussi évalué notre algorithme pour l'extraction \ndes adresses postales selon les mesures de rappel et de précision. \nCette recherche fait partie du projet de FII (la Construction d'une Infrastructure \nl'Information de Navigation Intégrée) pour le Réseau de Centres d'Excellence Canadien \nsur l'Automobile du 21ième siècle (RCE Auto21).
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.026 | 0.013 |
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".