MétaCan
Menu
Retour à la cohorte
Enregistrement W2052753179 · doi:10.1109/coginf.2006.365666

Cognitive Informatics: Towards Future Generation Computers that Think and Feel

2006· article· en· W2052753179 sur OpenAlexaff
Yingxu Wang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Computing and Networks
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCognitive computingComputer scienceCognitionInformaticsCognitive sciencePerceptionInferenceLIDASet (abstract data type)Cognitive architectureInference engineProcess (computing)Cognitive models of information retrievalArtificial intelligenceHuman–computer interactionPsychologyProgramming language

Résumé

récupéré en direct d'OpenAlex

This keynote lecture presents a set of the latest advances in cognitive informatics (CI) that leads to the design and implementation of future generation computers known as the cognitive computers that are capable of thinking and feeling. The theory and philosophy behind the next generation computers and computing technologies are CI. The theoretical framework of CI may be classified as an entire set of cognitive functions and processes of the brain and an enriched set of descriptive mathematics, the cognitive computers are created for cognitive and perceptible concept/knowledge processing based on contemporary mathematics such as concept algebra, real-time process algebra, and system algebra. Because the cognitive computers implement the fundamental cognitive processes of the natural intelligence such as the learning, thinking, formal inference, and perception processes, they are novel information processing systems that think and feel. The cognitive computers are centered by the parallel inference engine and perception engine that implement autonomic learning/reasoning and perception mechanisms based on descriptive mathematics

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,007
Communication savante0,0070,013
Science ouverte0,0010,003
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,229
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations96
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCognitive Computing and NetworksTravaux en français237 207