Un modèle à effets mixtes simple pour lisser et extrapoler les poids selon l’âge des morues de la sous-division 3Ps
Bibliographic record
Abstract
De bonnes estimations du poids selon l’âge des prises de pêche et du stock sont nécessaires pour établir une évaluation et des projections plus fiables des stocks. J’utilise un modèle simple pour éliminer le « bruit » dans les estimations du poids de la morue selon l’âge dans la sous-section 3Ps et pour indiquer les valeurs manquantes, particulièrement pour les groupes d’individus plus âgés et pour le groupe des individus âgés de 14 ans et plus qui seront utilisés dans les modèles d’évaluation du stock. Le modèle de poids est appliqué au poids selon l’âge estimé obtenu par les activités de surveillance des pêches et au poids selon l’âge obtenu par les relevés de recherche menés par Pêches et Océans Canada (MPO) au printemps, qui sont censés représenter le poids selon l’âge dans le stock. Les autres intrants importants du modèle sont les renseignements sur la précision des estimations du poids selon l’âge, tirées des échantillonnages, que le modèle applique pour faciliter la distinction entre la variabilité de la population et l’erreur de mesure. Pour les âges où les coefficients de variation (CV) d’erreur de mesure sont faibles, le modèle ajuste les poids selon l’âge des individus pêchés. Les poids selon l’âge des relevés présentent une plus grande variabilité entre les années et probablement des CV plus élevés, de sorte que le modèle n’a pas été aussi bien adapté à ces données; il a quand même tenu compte des tendances générales des poids selon l’âge au fil du temps.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".