Bibliographic record
Abstract
Les amas de galaxies dans la toile cosmique En tant que structures liées les plus massives de l’univers, les amas de galaxies permettent d’étudier l’influence de l’environnement sur l’évolution des galaxies. Dans ce manuscrit, je présente AMASCFI, un algorithme de détection d’amas développé durant la thèse et utilise le catalogue d’amas obtenu à partir des décalages spectraux photométriques du relevé Canada France Hawaii Telescope Legacy Survey (CFHTLS) pour étudier le rôle des amas sur l’évolution des galaxies. Je démontre les bonnes performances d’AMASCFI sur Euclid et le CFHTLS à partir de données simulées. Je l’applique au CFHTLS pour lequel AMASCFI est pur à 90% et complet à 70% à z<0.7 et déduis une masse pour chaque amas détecté à partir de la richesse. J’étudie alors l'évolution en décalage spectral des fonctions de luminosité des galaxies (GLF) de type précoce (ETG) et de type tardif (LTG) à différentes masses d’amas. J’observe que la GLF des ETGs faibles décroît à grand décalage spectral, la séquence rouge (RS) étant déjà formée à z~0.7, mais enrichie par de faibles ETG à z<0.7. Cela peut être dû à la suppression de la formation stellaire (“quenching”) des LTG dans l’amas ou à l'accrétion de faibles ETG pré-traités dans des groupes en chute sur l’amas. Pour étudier le rôle de ce pré-traitement, je détecte les filaments de la toile cosmique avec la méthode de Laigle et al (2018) et montre qu’elle est bien valide à la précision du CFHTLS. En comparant les distances aux amas AMASCFI des ETG et des LTG dans les filaments, je conclue que les filaments doivent être le siège de “quenching”. Cela pourrait être dû à l’étranglement des galaxies dans les groupes de galaxies mais plus de preuves sont nécessaires.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.038 | 0.020 |
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".