Evaluation of Digital Competence Profiles Using Dialetheic Logic
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
Professional profiles are unstructured documents where the knowledge and experience of the editor predominate, presenting inconsistencies and ambiguities in terms of the competencies they contain, making complicated the recognition of knowledge and skills necessary for the proposal of university study programs. Also, the identification of knowledge and skills in digital academic profiles present difficulties due to their inconsistencies. This work proposes analyzing the contradictions or ambivalences found in the academic and professional competencies published in digital media (for example, web pages or social networks) through a model of axioms based on dialetheic logic. Notably, the model considers five types of natural language phenomena: Vagueness or ambiguity, presupposition failure, counterfactual reasoning, fictional discourse, and contingent statements about the future. In addition, the model uses lexical and semantic similarity measures in its analysis process. The dialetheic model is validated using several performance measures to determine its capability to find ambiguity in a competence ontology described using description logic. The results show that dialetheic logic is required to accurately interpret digital academic and professional profiles using computational reasoning mechanisms. The model applies in a Spanish context for computer science jobs, with the possibility to apply in other languages or domains, such as English, French, etc. Our model is a contribution for competencies management, which is useful for the automatic curriculum design, competencies validation in learning processes, among other uses.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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