Formation et caractérisation physico-chimique des complexes ADN/chitosane pour la thérapie génique
Bibliographic record
Abstract
DÉDICACEJ'aimerais dédier ce travail à tous les membres de ma famille, avec mes souhaits de bonheur. REMERCIEMENTSJe tiens tout d'abord à remercier mon directeur le professeur Michael Buschmann pour m'avoir donné la chance de rejoindre son groupe de recherche et de continuer mon doctorat suite à mon interruption d'études.Je le remercie également pour la confiance et les moyens qu'il a mis à ma disposition au cours des cinq dernières années dans la réalisation de mon projet de thèse.Je remercie sincèrement ma co-directrice la professeure Françoise Winnik pour son soutien, sa confiance et son aide durant ces dernières années de thèse.Je me rappellerai toujours avec émotion de la première journée où elle m'a accueillie chaleureusement au sein de son groupe de recherche.Je lui suis très reconnaissante de m'avoir recommandée à Mike afin que je puisse poursuivre mes études et réaliser ce projet.Je lui exprime également ma profonde gratitude pour ses conseils avisés et personnels durant les moments les plus difficiles qui nous ont beaucoup rapprochées.J'adresse mes sincères remerciements au professeur Basil Favis pour m'avoir initiée à la recherche et appris l'importance du savoir-faire et du savoir-être.Je lui suis très reconnaissante pour l'amitié et le soutien continuel qu'il m'a témoignés durant ces dernières années.Je tiens également à lui exprimer ma gratitude pour avoir accepté de présider ce jury de thèse.Je remercie également Dr. Strand et Prof. De Crescenzo d'avoir accepté d'évaluer mon travail.
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 | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".