Searching for high-z quasars in the CFHQSIR survey
Bibliographic record
Abstract
J'ai consacré mon travail de thèse à la recherche de quasars à haut redshift dans le sondage Canada France High-z Quasar Survey in the Near Infrared (CFHQSIR). L'objectif principal de ce programme est de découvrir des quasars de redshift de l'ordre de z ∼ 7 dans les champs larges du CFHTLS (CFHTLS Wide) en utilisant des images réalisées dans le proche infrarouge avec la caméra WIRCam installée au foyer du CFHT. J'ai tout d'abord effectué la calibration photométrique de l'ensemble des données de CFHQSIR. J'ai ensuite étudié la qualité des images ainsi que leur propriété de bruit et leur profondeur. J'ai dans un deuxième temps calculé le nombre de quasars qu'il serait possible de détecter avec CFHQSIR et en ai déduit les contraintes envisageables sur la fonction de luminosité des quasars à z ∼ 7. J'ai ensuite procédé à l'identification de candidats quasars parmi les dizaines de milliers de sources que comptent les 130 degrés carrés couvert par CFHQSIR. Des observations de suivi photométriques des candidats ont finalement permis de révéler une cinquantaine d’objets, dont une quinzaine a été sélectionnée pour des observations spectroscopiques au Very Large Telescope (VLT). Celles-ci n’ayant, pour la plupart, pas encore été realisées, la nature exacte de ces sources ne pourra être connue que dans les prochains mois. Pour finir, la dernière partie de ma thèse s’est focalisée sur l’étude de modèles statistiques bayésiens afin de compléter ma méthode de sélection de candidats quasars. Cette étude m'a finalement permis de vérifier que la majorité des objets retenus pour des observations spectroscopiques étaient effectivement les candidats les plus probables.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".