From representational state transfer (REST) to representational action state transfer (REAST): enabling smarter web interactions for web tasking
Notice bibliographique
Résumé
Today, the web is designed for information retrieval. Its current interaction model is web browsing. However, browsing is not an intuitive interaction model for web tasking. This paper provides a solution by introducing an architectural style called REpresentational Action State Transfer (REAST), extended from the classic architectural style of REpresentational State Transfer (REST). REAST represents the action state of the resource instead of the resource data state as in REST. By transferring the representation of action state of the resource between the requesting processer and the resource server in the architectural style of REAST, instead of transferring the data state of the resource as in the architectural style of REST, machine operated web interfaces with the dispensability of human web users is, for the first time, made possible. This opens up opportunities for new interaction model design that are better fit for web tasking where web browsing falls short. With its RESTful inheritance, REASTful resources share universal resource representation and the unified interface, thus have the architecturally built-in interoperability between enterprise resource items and items from the Internet of Things, in both machine automation and mixed initiatives between machine and human web users. The RESTful inheritance also means that REASTful resources relate in execution under the constraint of hypermedia controls. This enables the building of resource oriented intelligent web agents that can work generically across the web without domain specificity and can execute on actions that are non-preprogrammed. This paper coined such Resource Oriented Intelligent Agents 'the BOT'.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».