Extending Classification Principles from Information Modeling to Other Disciplines
Notice bibliographique
Résumé
Classifying phenomena is a central aspect of cognition. Similarly, specifying classes of interest is a central aspect of information systems analysis and design. We extend principles originally developed to guide classification in information systems to the general problem of organizing scientific knowledge. Two fundamental cognitive principles underlie the choice of classes. First, classes should encapsulate inferences about the properties of their instances. Second, collections of classes should provide economy of storage and processing. This leads to a view of classes as carriers of domain knowledge in the form of inferences about situations, rather than containers for information. In this paper, we show how this view, originally developed in the IT context, can be extended to other disciplines, notably the natural sciences. We explain how the principles of inference and economy can guide the choice of individual classes and collections of classes. Moreover, we present a generalized classification-based information processing system (CIPS) model. We propose that scientific theories can be represented by class structures as defined in our model and demonstrate how this can be done by applying CIPS to analyze an example from the philosophy of science literature dealing with nuclear physics. The example demonstrates two advantages of the CIPS approach: first, it can provide a simpler, more scalable, and more informative account of the phenomena than a competing approach (dynamic frames); second, the resolution of inconsistencies between theory and observation can be framed in terms of changes to classification structures, and the principles can even guide such changes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,008 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».