Creating Proprietary Terms Using Lightweight Ontology: A Case Study on Acquisition Phase in a Cyber Forensic Process.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Terms and their meaning connections provided by the Resource Description Framework (RDF) present nowadays the standard mechanism for Linking Data (LD) on the web. All the existing terms, whether they are built-in terms (imported from well-known vocabularies on the semantic web) or proprietary terms (custom terms created by data publisher) can be used to describe and link different things in the world through RDF statements, and by applying the general architecture of the World Wide Web known as Linked Data Principles (LDP). Sometimes, these existing terms are not enough and adequate to describe a particular data set; more proprietary terms need to be created and developed in a dedicated vocabulary using lightweight ontology of LD. The latter uses the constructors of Resource Description Framework Schema (RDFS) and little features from Web Ontology Language (OWL) to create new proprietary terms describing such data set. This idea is depicted in this paper through a phase retrieved from a Cyber Forensic (CF) process, called acquisition phase, where different forensic tasks need to be described using new proprietary terms. This paper explains how these new proprietary terms can be created and published using the constructors of the lightweight ontology to describe this forensic phase. Keywords—Linked Data; Linked Data Principles; Resource Description Framework Schemas; Web Ontology Language; Proprietary Terms; Cyber Forensic; State Preservation.
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.
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 | 0,001 |
| 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 | 0,000 |
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 découle