Common Sense Reasoning in Automated Database Design
Notice bibliographique
Résumé
A great deal of work on automating systems design and development has been carried out, especially in the database area. Systems that semi-automate the database design process have been developed. These systems are interactive in that they may need to ask the user (usually, a database designer) for clarification. The result is that the system asks questions to the user that make the system look less intelligent than it should. This general type of problem has long been recognized with a proposed approach to overcoming it being the incorporation of common sense knowledge into a design system. The View Creation System is an expert system that plays the role of a database designer. With it, a user knowing little about database technology can express his or her database design requirements, which are represented by an entity-relationship model and then translated into a normalized relational model. The system contains a great deal of knowledge about database design, but little, if any, about the user’s application. This forces the user to specify many trivial facts that would be known by any human designer. To overcome this limitation, a Common Sense Business Reasoner is being developed that has a knowledge base containing general knowledge about the world and a reasoning tool to apply this knowledge to a database design task. An empirical study is carried out to simulate and assess the effectiveness of adding the Common Sense Business Reasoner to the View Creation System.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,007 | 0,013 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».