QuadDarv1ne/cinema_bot: v1.0.0: Your Personal Movie Guide on Telegram (stable)
Bibliographic record
Abstract
Представляю Cinema Bot — вашего персонального помощника в мире кино и сериалов, прямо в Telegram! Этот бот — это не просто поисковик, а умный ассистент, который поможет вам найти информацию о любом фильме или сериале, используя мощь базы данных OMDB. Больше не нужно переключаться между вкладками — вся необходимая информация теперь у вас под рукой. Ключевые возможности: 🎬 Мгновенный поиск: Просто отправьте название фильма или сериала, и бот предоставит подробную информацию: рейтинг, жанр, год выпуска, актерский состав и сюжет. 📜 История поиска: Никогда не забывайте, что искали! Команда /history покажет вам полную историю ваших запросов. 📊 Персональная статистика: Узнайте, насколько вы киноман, с помощью команды /stats, которая покажет общее количество ваших поисков. ⚡ Умное кеширование: Для повышения скорости и снижения нагрузки на API, бот кеширует результаты запросов. Бот построен на надежном стеке технологий и легко настраивается через файл .env. Просто добавьте свой токен и API-ключ, и ваш личный кинокритик готов к работе. Полный список изменений / Full Changelog 🔍 Автор: Дуплей Максим Игоревич ORCID GitHub Школа программирования Maestro7IT TG @quadd4rv1n7 TG @dupley_maxim_1999
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.248 | 0.147 |
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".