Effets photothermoélectriques dans les films de nanotubes de carbone
Bibliographic record
Abstract
DÉDICACEÀ mes très chers parents, Je ne saurais témoigner en mots de ma reconnaissance pour votre dévouement et votre présence inestimables. REMERCIEMENTSCette thèse représente la conclusion d'une belle aventure, qui n'aurait pas été aussi enrichissante sans la présence et le support d'un entourage exceptionnel.Je tiens dans les prochaines lignes à souligner, de tout cœur, l'aide précieuse de ces personnes.Tout d'abord, je veux remercier mes directeurs David Ménard et Richard Martel, qui m'ont soutenu dans les moments de doute et ont entretenu, par de stimulantes discussions, ma passion pour la recherche.Vous avez été des guides inspirants.Je suis d'ailleurs très reconnaissant de la confiance que vous m'avez accordée, en me laissant libre d'avancer mon projet selon mes aspirations.J'ai eu beaucoup de plaisir à œuvrer avec vous, et ces belles années passées dans vos laboratoires resteront gravées dans ma mémoire.J'aimerais remercier les membres de mon jury, Remo Masut, Oussama Moutanabbir et François Léonard, pour le temps consacré à une lecture attentive de cette thèse.Je vous suis reconnaissant de vos commentaires, qui auront contribué à améliorer la clarté du texte.J'ai eu la chance de côtoyer une équipe formidable qui a su égayer autant les moments passés en laboratoire qu'autour d'une table à dîner.Je remercie tous les membres, présents et passés.Un merci spécial à Carla Aguirre et Stéphane Auvray, de m'avoir pris sous leur aile en m'initiant aux secrets du laboratoire.Je remercie également les chimistes de notre groupe, Janie Cabana, François Lapointe et Nathalie Tang, pour les nombreuses consultations qu'ils m'ont accordées.Je garde un souvenir très agréable de chacune de mes collaborations, avec Élyse Adam,
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".