Bibliographic record
Abstract
La forme de la courbe de mortalité aux très grands âges reste incertaine. Le débat entre une trajectoire de décélération et une croissance exponentielle avec l’âge n’est pas tranché. Ce manque de consensus est essentiellement dû à la qualité inégale des données et à la variété des hypothèses servant à la modélisation. Cette thèse mobilise des données d’excellente qualité sur les décès survenus en France, en Belgique et au Québec pour identifier la trajectoire la plus plausible aux âges extrêmes par des modèles paramétriques. Nous étudions les différentes lois de probabilité applicables à nos données : loi de Poisson, loi binomiale négative et loi binomiale, en nous appuyant sur une palette d’outils d’évaluation de la performance des modèles (intervalles de confiance, résidus de déviance et critères d’information). L’hétérogénéité de la population, d’abord supposée inobservable, est prise en compte par les modèles de fragilité puis, supposée observable, elle est étudiée par les modèles de l’analyse de survie. Selon les données disponibles, la loi de Poisson reste appropriée pour la modélisation de la mortalité aux très grands âges. Une trajectoire de décélération de la mortalité apparaît comme la plus plausible dans la majorité des populations féminines mais une croissance exponentielle est plus convaincante pour les populations masculines. Une surmortalité masculine est présente dans toutes populations. Et il n’est pas possible d’identifier un plateau de mortalité. Ces résultats ne permettent pas de clore le débat. Pour trancher définitivement sur la forme de la trajectoire de mortalité, les efforts de collecte sur les décès aux très grands âges doivent être poursuivis.
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 | 0.005 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".