Outil de recommandation de skis alpins et prédiction de performances
Bibliographic record
Abstract
Les achats en ligne sont de plus en plus populaires auprès de la population, mais les skieurs sont encore réticents à acheter leurs skis alpins en ligne. La vente en ligne de skis est entre autres limitée par le manque d'informations disponibles sur les skis et l’absence de bon conseils comme ceux que peuvent prodiguer les vendeurs souvent spécialisés dans leur domaine. Pour augmenter la quantité d’information disponible sur les skis, un banc de test a été conçu pour caractériser les propriétés mécaniques et la géométrie des skis. Les propriétés mesurées sont les distributions de rigidité en flexion et en torsion, la cambrure et la largeur. Ce banc de test, en plus d’être très rapide (3 minutes d’utilisation), permet d’obtenir une grande précision et une répétabilité avec une erreur inférieure à 5%. Pour ce qui est de prodiguer de bons conseils, la première étape est de comprendre l’influence de ces propriétés sur les performances des skis. Pour ce faire, de nombreuses études ont tenté de prédire les relations entre des critères de performance du ski sur la neige et les propriétés des skis en utilisant des coefficients de corrélation de Pearson ou de Spearman en deux dimensions [1, 2, 3, 4]. Ces modèles offrent des résultats mitigés en raison de la nature complexe du ski. Pour tenir compte de cette complexité, cette étude propose d'utiliser des analyses multivariées pour développer des outils de recommandation. Un premier outil prédit le niveau optimal de rigidité en flexion et en torsion des skis pour un profil de skieur donné et le deuxième outil prédit les performances sur la neige des skis à partir de ces propriétés mécaniques. Ces outils sont basés sur les résultats de tests sur neige avec 23 participants, 12 paires de skis géométriquement identiques mais avec des rigidités en flexion et en torsion différentes et un questionnaire. Ce questionnaire identifie le profil du skieur et les impressions sur la neige de chaque skieur sur chaque ski selon 8 critères de performance. De fortes relations linéaires multivariées ont été trouvées (jusqu'à R^2 = 0,96) entre le profil des skieurs et les propriétés mécaniques de leur ski préféré. De même, des relations multivariées linéaires fortes ont été trouvées entre la performance du ski et ses propriétés. Dans les deux cas, en comparant le coefficient de détermination ajusté, les modèles linéaires multivariés dépassent de manière significative les modèles en deux dimensions basés sur les coefficients de corrélation de Pearson. Cela confirme la nature complexe du ski. L'intégration future de l'effet de la géométrie et des conditions de neige à cette analyse permettra de créer un outil de recommandation complet et utile pour le commerce électronique et la vente au détail.
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 | 0.008 | 0.024 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.007 |
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".