An ontology-based Social Network Analysis prototype
Notice bibliographique
Résumé
Many challenges are being faced when attempting to perform meaningful Social Network Analysis (SNA) on covert networks for intelligence purposes. First, data about covert networks are, by definition, difficult to obtain. Information about those networks is well guarded and, in general, not directly accessible. Consequently, intelligence analysts must build their situational awareness based on an overabundance of indirect information and sources which lead to cluttered heterogeneous models of social networks. This challenge actually results in a second concern in SNA, the imperative to manage very large graphs, which leads to the need to sample or select subsets of the overall data set. Finally, in current systems, analyses of social networks seem to be conducted regardless of the intelligence issue being faced or the data context. This facet is critical in order to ensure that the data lying beneath the analysis are actually truly indicators of the intelligence issue being tackled. This paper first describes the SNA capability targeted along with its challenges. Subsequently, explanations and rationales are provided to highlight the critical roles played by ontologies with respect to the challenges described above. In the current prototype, ontologies are being used with respect to four essential aspects of the SNA capability: to automatically identify and extract the social network data of interest; to organize and correlate these social network data based on the context, to create a filter in order to prune only portions of the social network data; and to select appropriate SNA algorithms corresponding to the intelligence issue being faced. Finally, this paper discusses preliminary results from the implementation of these aspects.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».