Apprentissage de la Complexité du Corps-Cerveau en Robotique Bio-Inspirée
Notice bibliographique
Résumé
Comprendre le lien entre la sensorialité et l’acte moteur est à la fois un point de départ et un point d’arrivé pour comprendre la cognition humaine. Le robot est par là-même l’outil idéal pour étudier ces différents aspects. Cela nécessite à la fois de comprendre le niveau microscopique et macroscopique des modèles neuronaux et cérébraux, comprendre la biomécanique du corps et le traitement de l’information fait par les cellules sensorielles et musculaires, ainsi que toute la chaîne de processus pour apprendre, s’adapter dynamiquement face à l’imprévu. Ces questions rebouclent sans cesse dans ma recherche pour définir les mécanismes de l’Intelligence Encorporée.J’y explore trois axes de recherche qui sont la génération du mouvement, le développement cognitif, l’apprentissage sensorimoteur. Il s’agit de comprendre comment le corps est constitué, quelle est sa structure bio-mécanique, comment un système agissant peut apprendre sur le long-terme et arrive à apprendre à apprendre de ses propres actions. Ce qui lie mes recherches est une vision complexe et encorporée de l’intelligence, transversale, dont les mots-clefs sont les processus itératifs, émergents, auto-associatifs, génératifs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».