MétaCan
Menu
Retour à la cohorte
Enregistrement W2739361354 · doi:10.5169/seals-791093

Alphabets and the principle of least effort

2006· article· en· W2739361354 sur OpenAlexaff

Notice bibliographique

RevueHOPE (Hauptbibliothek Open Publishing Environment) (University of Zurich) · 2006
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMedia, Communication, and Education
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésZipf's lawMeaning (existential)SemioticsAlphabetRank (graph theory)Representation (politics)Word (group theory)Computer scienceLinguisticsOrder (exchange)EpistemologyCognitive scienceArtificial intelligenceNatural language processingPsychologyMathematicsPhilosophyCombinatoricsStatisticsLaw

Résumé

récupéré en direct d'OpenAlex

Alphabet systems have made the recording of information an matter. As a consequence, they have made it possible for human civilizations to progress quickly and expansively. Alphabet characters are derivatives of pictographs, allowing for a more condensed means of recording and transmitting knowledge. The purpose of this paper is to argue that alphabets came about, in fact, to do just this - namely, to make knowledge representation efficient. One of the first to study the efficient nature of letters empirically was the Harvard linguist George Kingsley Zipf, who demonstrated that there is universally a correlation between the length of a specific word (in number of letters) and its rank order in a language. This paper will look at Zipf's work and assess its importance to semiotic theory, especially as it relates to the nature of signs and how they express meaning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,517
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,003
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,249
Écart entre enseignants0,232 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations2
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHOPE (Hauptbibliothek Open Publishing Environment) (University of Zurich)Même sujetMedia, Communication, and EducationTravaux en français237 207