MétaCan
Menu
Retour à la cohorte
Enregistrement W4200001833 · doi:10.1037/amp0000863

Quantifying the selective forgetting and integration of ideas in science and technology.

2021· article· en· W4200001833 sur OpenAlexaff
Cristián Candia, Brian Uzzi

Notice bibliographique

RevueAmerican Psychologist · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueTopic Modeling
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesAir Force Office of Scientific Research
Mots-clésForgettingCollective memoryRetrieval-induced forgettingCognitive psychologyProcess (computing)Cognitive scienceTrademarkPsychologyObject (grammar)HistorySociologyComputer sciencePolitical scienceArtificial intelligenceLaw

Résumé

récupéré en direct d'OpenAlex

How long will this article be remembered? How long will people reference it in their conversations, and for how many years will other authors cite its findings in their own works? A community's attention to a cultural object decays as time passes, a process known as collective forgetting. Recent work models this decay as the result of two different processes. One linked to communicative memory-memories sustained by human communication-and the other linked to cultural memory-memories sustained by the physical recording of content. Collective forgetting has significant impacts on communities, yet little is known about how the collective forgetting dynamic changes over time. Here, we study the temporal changes of collective memory and attention by focusing on two knowledge communities: inventors and physicists. We use data on patents from the United States Patent and Trademark Office (USPTO) and physics papers published by the American Physical Society (APS) to quantify those changes over time. The model enables us to distinguish between two branches of forgetting. One branch is short-lived, going directly from communicative memory to oblivion. The other branch is long-lived, going from communicative memory to cultural memory before going on to oblivion. The data analysis shows an increase in the forgetting rate for both communities as the amount of information in each of them grows. That growth of information forces knowledge communities to increase their selectivity regarding what is stored in their cultural memory. These findings confirm the forgetting as annulment hypothesis and show that knowledge communities can slow down collective forgetting and improve selectivity processes. (PsycInfo Database Record (c) 2021 APA, all rights reserved).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,129
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesBibliométrie, Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,999
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,129
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0090,007
Études des sciences et des technologies0,0010,003
Communication savante0,0030,009
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,037
Tête enseignante GPT0,347
Écart entre enseignants0,310 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican PsychologistMême sujetTopic ModelingTravaux en français237 207