From information to knowledge: introducing WebStract's knowledge engineering approach
Notice bibliographique
Résumé
Information overload is a problem because of the overwhelming volume of data that has become accessible through the Internet or other mass communication media. It is difficult for users to sift through this data and to locate useful knowledge because large amounts of unorganized, raw data are confusing to search engines as well as people. WebStract is an experimental tool to assist in the qualification, organization and distribution of information. It offers semi-automated mechanisms to transform raw electronic data into domain knowledge and it provides multiple views for easier user consumption. After introducing WebStract, the paper focuses on the three stage transformation process that is used to transform raw data into domain knowledge. The three stages are knowledge extraction, knowledge elucidation and knowledge presentation. Knowledge extraction retrieves information from electronic documents (e.g., accessible through the WWW) and analyzes it for useful syntactical patterns that are stored in a database. Knowledge elucidation analyzes the syntactical patterns, in a semi-automated fashion, to produce a prioritized, hierarchical summary of the original documents. A fuzzy filtering mechanism allows retrieval of the stored knowledge and the resulting organized summary is presented using the familiar "book" metaphor. Each book can provide several viewpoints for users to review the information. A main application of WebStract is the support of problem based learning in on-line course delivery. WebStract is currently in its third generation of development.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».