Partie II : Conception et Implémentation
4. Expérimentation
Pour concrétiser notre solution, nous allons illustrer sous forme de captures d’écran un exemple de séquence de déroulement lié au cas d’utilisation ‘’Ajouter une métadonnée ‘’ :
1. La figure 6-12 montre la base de connaissances initiale.
Figure 6-13 : Base de connaissances initiale 2. La figure 6-13 donne un aperçu su la détection des capteurs.
Chapitre06
59 3. La figure 6-14 montre l’étape de calcul de similarité.
Figure 6-15 : Fenetre de calcul de similarités
4. La figure 6-15 montre la base de connaissances après la création des métadonnées.
Chapitre06
60
5. Conclusion
Dans ce chapitre, nous avons présenté la conception et l’implémentation d’un système pour faciliter la création des métadonnées dans le contexte des LD. De plus nous avons parlé de l’environnement, des outils et des techniques qui ont forgé notre implémentation basée sur l’écosystème Hadoop et le langage Java.
Conclusion générale
61
Conclusion générale
Nous avons constaté le long de ce mémoire que dans le contexte des Big Data et des lacs de données, leurs réussites se reposent essentiellement sur leur capacité d’exposer les informations ingérées pour une éventuelle future exploitation. Nous avons vu aussi que, la gestion des métadonnées est dans le cœur de ce processus. Ainsi, nous avons remarqué que ces dernières peuvent être représentées d’une façon élégante et expressive par le biais des techniques du Web Sémantique. Donc, ceux-ci nous ont permet d’inférer les attributs, les capteurs et le domaine d’application à partir d’un raisonnement sur les synonymes d’attributs, les abréviations, les mots-clés et la signature des capteurs.
Pour que ce processus de raisonnement soit efficace, nous avons utilisé les mesures de similarités pour l’alignement des libellées des attributs, des mots clés, des capteurs et des abréviations avec la diversité de ceux-ci dans les datasets en pratique. Au fait, nous avons estimée qu’après un certain temps d’approvisionnement de la base de connaissances, notre système peut converger vers un système quasi-automatique. Sachons que les techniques du Web Sémantique sont des techniques symboliques [89]. Malgré leurs puissances et élégance de formalisation, elles restent limitées à ce que l’expert du domaine a conçu initialement, et ne peuvent en aucun cas, à notre connaissance, couvrir tous les types de datasets qui peuvent exister.
De ce fait, nous avons complémenté notre solution par une technique basée sur les données. Nous avons, également, utilisé l’apprentissage ensembliste qui offre un apprentissage incrémental adapté aux petites datasets54, dont sa performance s’améliore au fils du temps. Cependant nous reconnaissons que notre travail peut être amélioré par le perfectionnement des points suivants :
- L’introduction de la signature d’attributs au lieu de la signature de capteurs, car la présence de certains attributs peut balancer la classification des métadonnées d’un domaine à l’autre.
- Les données IoTs ne concernent pas seulement les capteurs, il faut introduire aussi tous les dispositifs de l’écosystème.
- L’utilisation d’un moyen de stockage RDF robuste, qui supporte le raisonnement
Conclusion générale
62 distribué, et qui garantit un passage à l’échelle adéquate.
- Expérimentation empirique du système en exploitant un grand nombre de datasets et identification des paramètres qui peuvent influencer ces performances et par conséquent les mesures de similarités appropriées.
- Exploiter les statistiques des attributs des datasets, par des techniques d’identification de similarités de population comme la technique Z-test [90], cela nécessite l’étude et l’analyse des distributions des valeurs des attributs IoT. Son implémentation peut être envisagée au niveau des règles SWRL ou au niveau applicatif.
- Implémentation des requêtes inter-datasets.
- Etendre le système pour gérer les flux de données et les datasets structurés.
- Etendre l’identification des attributs par le biais des techniques d’apprentissage automatique.
- Appliquer les techniques de réduction de dimensionnalité sur les attributs d’apprentissages afin de minimiser ces derniers dans le cadre du possible.
Bibliographie
63
Références
[1] K. Jain et S. Mohapatra, « Taxonomy of Edge Computing: Challenges, Opportunities, and Data Reduction Methods », in Edge Computing, Springer Nature Switzerland AG 2019 51., F. Al-Turjman, Éd. Cham: Springer International Publishing, 2019, p. 51‑69.
[2] A. Halevy et al., « Managing Google’s data lake: an overview of the GOODS system », Bulletin
of the IEEE Computer Society Technical Committee on Data Engineering, p. 10, 2016.
[3] « driving the digital agenda requires strategic architecture rosen idc ».
https://idc-cema.com/dwn/SF_177701/driving_the_digital_agenda_requires_strategic_architecture_rosen_idc .pdf (consulté le avr. 22, 2020).
[4] « DC forecasts connected IoT devices to generate 79.4ZB of data in 2025 », juin 22, 2019. https://futureiot.tech/idc-forecasts-connected-iot-devices-to-generate-79-4zb-of-data-in-2025/ (consulté le avr. 22, 2020).
[5] S. Li, L. D. Xu, et S. Zhao, « The internet of things: a survey », Inf Syst Front, vol. 17, no 2, p. 243‑259, avr. 2015, doi: 10.1007/s10796-014-9492-7.
[6] K. K. Patel, S. M. Patel, et P. Scholar, « Internet of Things-IOT: Definition, Characteristics, Architecture, Enabling Technologies, Application & Future Challenges », p. 10, 2016.
[7] J. Soldatos, « Building Blocks for IoT Analytics », River Publishers Alsbjergvej 10 9260 Gistrup Denmark, 2017, p. 1‑294.
[8] S.-L. Peng, S. Pal, et L. Huang, Éd., Principles of Internet of Things (IoT) Ecosystem: Insight
Paradigm, vol. 174. Cham: Springer International Publishing, 2020.
[9] S. Bansal et D. Kumar, « IoT Ecosystem: A Survey on Devices, Gateways, Operating Systems, Middleware and Communication », Int J Wireless Inf Networks, févr. 2020, doi: 10.1007/s10776-020-00483-7.
[10] M. Weyrich et C. Ebert, « Reference Architectures for the Internet of Things », IEEE Softw., vol. 33, no 1, p. 112‑116, janv. 2016, doi: 10.1109/MS.2016.20.
[11] A. Torkaman et M. A. Seyyedi, « Analyzing IoT Reference Architecture Models », vol. 5, no 8, p. 7, 2016.
[12] B. Di Martino, M. Rak, M. Ficco, A. Esposito, S. A. Maisto, et S. Nacchia, « Internet of things reference architectures, security and interoperability: A survey », Internet of Things, vol. 1‑2, p. 99‑112, sept. 2018, doi: 10.1016/j.iot.2018.08.008.
[13] S. Wagle et J. E. Pecero, « Efforts Towards IoT Technical Standardization », in Ad-Hoc, Mobile,
and Wireless Networks, vol. 11803, M. R. Palattella, S. Scanzio, et S. Coleri Ergen, Éd. Cham:
Springer International Publishing, 2019, p. 524‑539.
[14] D. Aksu et M. A. Aydin, « A Survey of IoT Architectural Reference Models », in 2019 16th
International Multi-Conference on Systems, Signals & Devices (SSD), Istanbul, Turkey, mars
2019, p. 413‑417, doi: 10.1109/SSD.2019.8893170.
[15] ISO, Information technology – Internet of Things Reference Architecture (IoT RA). .
[16] J. Silva, J. Rodrigues, J. Al-Muhtadi, R. Rabêlo, et V. Furtado, « Management Platforms and Protocols for Internet of Things: A Survey », Sensors, vol. 19, no 3, p. 676, févr. 2019, doi: 10.3390/s19030676.
[17] M. A. Jabraeil Jamali, B. Bahrami, A. Heidari, P. Allahverdizadeh, et F. Norouzi, « IoT
Architecture », in Towards the Internet of Things, Cham: Springer International Publishing, 2020, p. 9‑31.
[18] S. Bansal et D. Kumar, « IoT Ecosystem: A Survey on Devices, Gateways, Operating Systems, Middleware and Communication », Int J Wireless Inf Networks, févr. 2020, doi: 10.1007/s10776-020-00483-7.
[19] N. Zanoon, A. Al-Haj, et S. M. Khwaldeh, « Cloud Computing and Big Data is there a Relation between the Two: A Study », vol. 12, no 17, p. 14, 2017.
[20] H. Cai, B. Xu, L. Jiang, et A. V. Vasilakos, « IoT-based Big Data Storage Systems in Cloud Computing: Perspectives and Challenges », IEEE Internet Things J., p. 1‑1, 2016, doi: 10.1109/JIOT.2016.2619369.
Bibliographie
64 Internet of Things: A Survey », IEEE Commun. Surv. Tutorials, vol. 16, no 1, p. 414‑454, 2014, doi: 10.1109/SURV.2013.042313.00197.
[22] F. Shi, Q. Li, T. Zhu, et H. Ning, « A Survey of Data Semantization in Internet of Things »,
Sensors, vol. 18, no 2, p. 313, janv. 2018, doi: 10.3390/s18010313.
[23] M. Serrano et A. Gyrard, « A Review of Tools for IoT Semantics and Data Streaming Analytics », p. 26.
[24] « The ORM Foundation ». http://www.ormfoundation.org/ (consulté le févr. 10, 2020).
[25] D. Le-Phuoc, M. Dao-Tran, M.-D. Pham, P. Boncz, T. Eiter, et M. Fink, « Linked Stream Data Processing Engines: Facts and Figures », in The Semantic Web – ISWC 2012, vol. 7650, P. Cudré-Mauroux, J. Heflin, E. Sirin, T. Tudorache, J. Euzenat, M. Hauswirth, J. X. Parreira, J. Hendler, G. Schreiber, A. Bernstein, et E. Blomqvist, Éd. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012, p. 300‑312.
[26] P.-Y. Vandenbussche et B. Vatant, « Linked Open Vocabularies, un écosystème encore fragile », p. 13, 2012.
[27] Z. H., H. A., et M. M., « Internet of Things (IoT): Definitions, Challenges and Recent Research Directions », IJCA, vol. 128, no 1, p. 37‑47, oct. 2015, doi: 10.5120/ijca2015906430.
[28] M. Chen, S. Mao, et Y. Liu, « Big Data: A Survey », Mobile Netw Appl, vol. 19, no 2, p. 171‑209, avr. 2014, doi: 10.1007/s11036-013-0489-0.
[29] S. Okul, D. Aksu, et M. A. Aydin, « Applications of Deep Learning and Big Data Technologies », in 2019 16th International Multi-Conference on Systems, Signals & Devices (SSD), Istanbul, Turkey, mars 2019, p. 550‑553, doi: 10.1109/SSD.2019.8893261.
[30] A. Jaiswal, V. K. Dwivedi, et O. P. Yadav, « Big Data and its Analyzing Tools : A Perspective », in 2020 6th International Conference on Advanced Computing and Communication Systems
(ICACCS), Coimbatore, India, mars 2020, p. 560‑565, doi:
10.1109/ICACCS48705.2020.9074222.
[31] Y. N. Malek et al., « On the use of IoT and Big Data Technologies for Real-time Monitoring and Data Processing », Procedia Computer Science, vol. 113, p. 429‑434, 2017, doi:
10.1016/j.procs.2017.08.281.
[32] J. W. Ansari, « Semantic Profiling in Data Lake », p. 81.
[33] Z. Albert Y et S. Sherif, Handbook of big data technologies. New York, NY: Springer Berlin Heidelberg, 2016.
[34] « Albert Y. Zomaya, Sherif Sakr - Handbook of Big Data Technologies-Springer (2017).pdf ». . [35] K. Venkatram et M. A. Geetha, « Review on Big Data & Analytics – Concepts, Philosophy,
Process and Applications », Cybernetics and Information Technologies, vol. 17, no 2, p. 3‑27, juin 2017, doi: 10.1515/cait-2017-0013.
[36] NIST Big Data Public Working Group, « NIST Big Data Interoperability Framework: volume 8, reference architecture interfaces », National Institute of Standards and Technology, Gaithersburg, MD, NIST SP 1500-9, juin 2018. doi: 10.6028/NIST.SP.1500-9.
[37] S. M. Borodo, S. M. Shamsuddin, et S. Hasan, « Big Data Platforms and Techniques », IJEECS, vol. 1, no 1, p. 191, janv. 2016, doi: 10.11591/ijeecs.v1.i1.pp191-200.
[38] NIST Big Data Public Working Group Reference Architecture Subgroup, « NIST Big Data Interoperability Framework: Volume 6, Reference Architecture », National Institute of Standards and Technology, NIST SP 1500-6, oct. 2015. doi: 10.6028/NIST.SP.1500-6.
[39] S. Sakr, Big data 2.0 processing systems, Springer. New York, NY: Springer Berlin Heidelberg, 2016.
[40] G. Rajesh, L. G. Paul, et K. S. Sandeep, Formal Methods and Models for System Design. SPRINGER, 2004.
[41] IBM, « Présentation du langage SPL (Streams Processing Language) », Présentation du langage
SPL (Streams Processing Language), janv. 02, 2020.
https://www.ibm.com/support/knowledgecenter/fr/SSCRJU_4.2.1/com.ibm.streams.tutorials.doc/d oc/tutorial-container.html (consulté le janv. 02, 2020).
[42] F. Ravat et Y. Zhao, « Data Lakes: Trends and Perspectives », in Database and Expert Systems
Applications, vol. 11706, S. Hartmann, J. Küng, S. Chakravarthy, G. Anderst-Kotsis, A. M. Tjoa,
et I. Khalil, Éd. Cham: Springer International Publishing, 2019, p. 304‑313.
Bibliographie
65
discovery: 21st International Conference, DaWaK 2019, Linz, Austria, August 26-29, 2019, Proceedings. 2019.
[44] F. Ravat et Y. Zhao, « Data Lakes: Trends and Perspectives », in Database and Expert Systems
Applications, vol. 11706, S. Hartmann, J. Küng, S. Chakravarthy, G. Anderst-Kotsis, A. M. Tjoa,
et I. Khalil, Éd. Cham: Springer International Publishing, 2019, p. 304‑313.
[45] H. Fang, « Managing data lakes in big data era: What’s a data lake and why has it became popular in data management ecosystem, IEEE International Conference on Cyber Technology in
Automation, Control, and Intelligent Systems (CYBER), Shenyang », IEEE, p. 820‑824, 2015, doi: 10.1109/CYBER.2015.7288049.
[46] J. Waheed Ansari, « Semantic Profiling in Data Lake », Master thesis, RWTH Aachen University, RWTH Aachen University | 52056 Aachen | Germany, 2018.
[47] S. Divya Meena et M. Vidhya, « DATA LAKES-A NEW DATA REPOSITORY FOR BIG DATA ANALYTICS WORKLOADS », ijarcs, vol. 7, no 5, oct. 2016.
[48] T. Chomo, « Deploying Data Lake for Big Data ,Master’s Thesis,Masaryk University Faculty of Informatics,Czech », Data Management, p. 119, 2019.
[49] M. Feick, N. Kleer, et M. Kohn, « Fundamentals of Real-Time Data Processing Architectures Lambda and Kappa », p. 12.
[50] P. P. Khine et Z. S. Wang, « Data lake: a new ideology in big data era », ITM Web Conf., vol. 17, p. 03025, 2018, doi: 10.1051/itmconf/20181703025.
[51] F. Nargesian, E. Zhu, R. J. Miller, K. Q. Pu, et P. C. Arocena, « Data lake management:
challenges and opportunities », Proc. VLDB Endow., vol. 12, no 12, p. 1986‑1989, août 2019, doi: 10.14778/3352063.3352116.
[52] C. Giebler, C. Gröger, E. Hoos, H. Schwarz, et B. Mitschang, « Leveraging the Data Lake: Current State and Challenges », in Big Data Analytics and Knowledge Discovery, vol. 11708, C. Ordonez, I.-Y. Song, G. Anderst-Kotsis, A. M. Tjoa, et I. Khalil, Éd. Cham: Springer International Publishing, 2019, p. 179‑188.
[53] T. John et P. Misra, Data Lake for enterprises: leveraging Lambda architecture for building
Enterprise Data Lake. Birmingham, UK: Packt Publishing, 2017.
[54] A. Panwar et V. Bhatnagar, « Data Lake Architecture: A New Repository for Data Engineer »,
International Journal of Organizational and Collective Intelligence, vol. 10, no 1, p. 63‑75, janv. 2020, doi: 10.4018/IJOCI.2020010104.
[55] R. K. Eichler, « Metadata Management in the Data Lake Architecture », p. 73.
[56] P. N. Sawadogo, É. Scholly, C. Favre, É. Ferey, S. Loudcher, et J. Darmont, « Metadata Systems for Data Lakes: Models and Features », in New Trends in Databases and Information Systems, vol. 1064, T. Welzer, J. Eder, V. Podgorelec, R. Wrembel, M. Ivanović, J. Gamper, M. Morzy, T. Tzouramanis, J. Darmont, et A. Kamišalić Latifić, Éd. Cham: Springer International Publishing, 2019, p. 440‑451.
[57] M.-A. Sicilia, Éd., Handbook of metadata, semantics and ontologies. Singapore ; Hackensack, N.J: World Scientific, 2014.
[58] H. H. Alrehamy, « Extensible Metadata Management Framework for Personal Data Lake », p. 212.
[59] P. Li, « Semantic Reasoning on the Edge of Internet of Things », University of Oulu, Finland, 2016.
[60] E. Järvenpää, N. Siltala, O. Hylli, et M. Lanz, « The development of an ontology for describing the capabilities of manufacturing resources », J Intell Manuf, vol. 30, no 2, p. 959‑978, févr. 2019, doi: 10.1007/s10845-018-1427-6.
[61] mouad banane et A. Belangour, « A Comparative Study of RDF Triple Stores », SSRN Journal, févr. 2020, doi: 10.2139/ssrn.3349399.
[62] U. Straccia, « Fuzzy Semantic Web Languages and Beyond », in Advances in Artificial
Intelligence: From Theory to Practice, vol. 10350, S. Benferhat, K. Tabia, et M. Ali, Éd. Cham:
Springer International Publishing, 2017, p. 3‑8.
[63] M. Botto-Tobar, M. Zambrano Vizuete, P. Torres-Carrión, S. Montes León, G. Pizarro Vásquez, et B. Durakovic, Éd., Applied Technologies: First International Conference, ICAT 2019, Quito,
Ecuador, December 3–5, 2019, Proceedings, Part I, vol. 1193. Cham: Springer International
Bibliographie
66 [64] M. Lenzerini, L. Lepore, et A. Poggi, « Metaquerying made practical for OWL2QL ontologies »,
Information Systems, vol. 88, p. 101294, févr. 2020, doi: 10.1016/j.is.2018.02.012.
[65] M. Banane et A. Belangour, « A Survey on RDF Data Store Based on NoSQL Systems for the Semantic Web Applications », in Advanced Intelligent Systems for Sustainable Development
(AI2SD’2018), vol. 915, M. Ezziyyani, Éd. Cham: Springer International Publishing, 2019, p.
444‑451.
[66] S. Biffl et M. Sabou, Éd., Semantic Web Technologies for Intelligent Engineering Applications. Cham: Springer International Publishing, 2016.
[67] A. Lawan et A. Rakib, « The Semantic Web Rule Language Expressiveness Extensions-A Survey », arXiv:1903.11723 [cs], mars 2019, Consulté le: mai 01, 2020. [En ligne]. Disponible sur: http://arxiv.org/abs/1903.11723.
[68] I. D. Nogueira, M. Romdhane, et J. Darmont, « Modeling Data Lake Metadata with a Data Vault », in Proceedings of the 22nd International Database Engineering & Applications
Symposium on - IDEAS 2018, Villa San Giovanni, Italy, 2018, p. 253‑261, doi:
10.1145/3216122.3216130.
[69] N. Abolhassani et al., « Universal Metadata Repository: Integrating Data Profiles Across an Organization », in 2018 IEEE International Conference on Information Reuse and Integration
(IRI), Salt Lake City, UT, juill. 2018, p. 452‑459, doi: 10.1109/IRI.2018.00072.
[70] H. Khalid, R. Wrembel, et E. Zimányi, « Metadata Discovery Using Data Sampling and
Exploratory Data Analysis », in Model and Data Engineering, vol. 11815, K.-D. Schewe et N. K. Singh, Éd. Cham: Springer International Publishing, 2019, p. 106‑120.
[71] A. Alserafi, A. Abello, O. Romero, et T. Calders, « Towards Information Profiling: Data Lake Content Metadata Management », in 2016 IEEE 16th International Conference on Data Mining
Workshops (ICDMW), Barcelona, Spain, déc. 2016, p. 178‑185, doi: 10.1109/ICDMW.2016.0033.
[72] R. A. McDougal, I. Dalal, T. M. Morse, et G. M. Shepherd, « Automated Metadata Suggestion During Repository Submission », Neuroinform, vol. 17, no 3, p. 361‑371, juill. 2019, doi: 10.1007/s12021-018-9403-z.
[73] C. Quix, R. Hai, et I. Vatov, « Metadata Extraction and Management in Data LakesWith GEMMS », CSIMQ, no 9, p. 67‑83, déc. 2016, doi: 10.7250/csimq.2016-9.04.
[74] C. Diamantini, P. L. Giudice, L. Musarella, D. Potena, E. Storti, et D. Ursino, « A New Metadata Model to Uniformly Handle Heterogeneous Data Lake Sources », in New Trends in Databases
and Information Systems, vol. 909, A. Benczúr, B. Thalheim, T. Horváth, S. Chiusano, T.
Cerquitelli, C. Sidló, et P. Z. Revesz, Éd. Cham: Springer International Publishing, 2018, p. 165‑177.
[75] D. Solodovnikova, L. Niedrite, et A. Niedritis, « On Metadata Support for Integrating Evolving Heterogeneous Data Sources », in New Trends in Databases and Information Systems, vol. 1064, T. Welzer, J. Eder, V. Podgorelec, R. Wrembel, M. Ivanović, J. Gamper, M. Morzy, T.
Tzouramanis, J. Darmont, et A. Kamišalić Latifić, Éd. Cham: Springer International Publishing, 2019, p. 378‑390.
[76] « ModelDb Corpus de publications dans le domaine des neurosciences ». https://senselab.med.yale.edu/modeldb/ (consulté le avr. 24, 2019).
[77] A. Singh, A. Khamparia, et A. Kr. Luhach, « Performance comparison of Apache Hadoop and Apache Spark », in Proceedings of the Third International Conference on Advanced Informatics
for Computing Research - ICAICR ’19, Shimla, India, 2019, p. 1‑5, doi:
10.1145/3339311.3339329.
[78] E. D. Lavieri, Hands-on design patterns with Java: learn design patterns that enable the building
of large-scale software architectures. 2019.
[79] H. Washizaki, S. Ogata, A. Hazeyama, et E. B. Fernandez, « Landscape of Architecture and Design Patterns for IoT Systems », IEEE INTERNET OF THINGS JOURNAL, p. 12, 2020. [80] V. Rozsa, M. Denisczwicz, M. Dutra, et P. Ghodous, « An Application Domain-Based Taxonomy
for IoT Sensors », p. 11.
[81] A. Vergara, « Chemical gas sensor drift compensation using classifier ensembles », p. 10, 2012. [82] Y. Zheng, L. Zhang, X. Xie, et W.-Y. Ma, « Mining Interesting Locations and Travel Sequences
from GPS Trajectories », Mobile Web, p. 10, 2009.
Bibliographie
67 polysomnography », PhysioNet, oct. 2019, doi: 10.13026/hmhs-py35.
[84] S. M. Bugenhagen, A. W. Cowley, et D. A. Beard, « Identifying physiological origins of
baroreflex dysfunction in salt-sensitive hypertension in the Dahl SS rat », Physiol Genomics, vol. 42, p. 20.
[85] Z. Toth et J. Tamas, « Miskolc IIS Hybrid IPS: Dataset for Hybrid Indoor Positioning », p. 5. [86] W. Ugulino, D. Cardador, K. Vega, E. Velloso, R. Milidiú, et H. Fuks, « Wearable Computing:
Accelerometers’ Data Classification of Body Postures and Movements », in Advances in Artificial
Intelligence - SBIA 2012, vol. 7589, L. N. Barros, M. Finger, A. T. Pozo, G. A. Gimenénez-Lugo,
et M. Castilho, Éd. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012, p. 52‑61.
[87] A. B. Shaik, « A Brief Survey on Random Forest Ensembles in Classification Model », p. 8. [88] « Ensembles - RDD-based API ».
https://spark.apache.org/docs/latest/mllib-ensembles.html#gradient-boosted-trees-vs-random-forests (consulté le sept. 06, 2020).
[89] d’Amato Claudia, « Machine Learning for the Semantic Web: Lessons learnt and next research directions », Semantic Web, vol. 11, no 1, p. 195‑203, janv. 2020.
[90] T. Hailemeskel Abebe, « The Derivation and Choice of Appropriate Test Statistic (Z, t, F and Chi-Square Test) in Research Methodology », ML, vol. 5, no 3, p. 33, 2019, doi: