Unlearning as an Integral Part of Knowledge Management: The Nature and Visualizations of the 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
Information and knowledge are sacred words for information professionals. The idea of deliberately losing information or knowledge may seem counterintuitive to many of us. When we consider knowledge, we first of all focus on such “creative” processes as knowledge discovery, constructions, sharing, recycling, etc., and often skip the somewhat “negative” process of “forgetting”. Most people would say that we do not need to focus on the latter, that the nature of human cognition takes care of that. We need lots of efforts to learn, to memorize, and to build our knowledge while forgetting is easy. It just happens, and, unfortunately, much “more effectively” than we would like. But is it true? Is it really easy? L'information et la connaissance sont des mots sacrés pour les professionnels de l'information. L'idée de perdre délibérément de l'information ou de la connaissance peut sembler contre-intuitive pour beaucoup d'entre nous. Lorsque nous considérons les processus de la connaissance, nous pensons d'abord à ces processus «créatifs» que sont la découverte, la construction, le partage, le recyclage de connaissances, etc., et souvent nous sautons le processus quelque peu «négatif» de l’«oubli». La plupart des gens diraient que nous n’avons pas à nous concentrer sur ce dernier, car la nature de la cognition humaine en prend soin. Nous devons investir beaucoup d'efforts pour apprendre, pour mémoriser et pour construire nos connaissances, alors qu’oublier est facile. Cela se produit et, malheureusement, beaucoup « plus efficacement »que nous ne le voudrions. Mais est-ce exact ? Est-ce qu’oublier est vraiment aussi facile?
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| 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