MétaCan
Menu
Retour à la cohorte
Enregistrement W4210654554 · doi:10.3233/ao-220263

TUpper: A top level ontology within standards1

2022· article· en· W4210654554 sur OpenAlexaff
Michael Grüninger, Yi Ru, Jona Thai

Notice bibliographique

RevueApplied Ontology · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueSemantic Web and Ontologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésOntologyOntology componentsComputer scienceProcess ontologyUpper ontologyOntology-based data integrationOntology alignmentSet (abstract data type)Suggested Upper Merged OntologyInformation retrievalSemantic WebTheoretical computer scienceProgramming language

Résumé

récupéré en direct d'OpenAlex

Upper ontologies have traditionally arisen from the approach in which concepts that are common across a set of domains can be axiomatized at a general level. The rationale is that reuse across domains is to be supported through specialization of the general concepts from an upper ontology. Similarly, semantic integration between ontologies is to be achieved through the general concepts they specialize. The TUpper Ontology follows an alternative approach (referred to as the sideways approach) to the conventional upper ontology paradigm. Rather than think of an upper ontology as a monolithic axiomatization centred on a taxonomy, the sideways approach considers an upper ontology to be a modular ontology composed of generic ontologies that cover concepts including those related to time, process, and space. TUpper is therefore composed of a set of generic ontologies, and each generic ontology axiomatizes a particular set of generic concepts (e.g., the classes and relations relevant for time, process, and space). The TUpper Ontology is designed as a top-level ontology that contains modules from the ontologies within existing international standards.

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)0,007
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,008
Études des sciences et des technologies0,0030,004
Communication savante0,0110,019
Science ouverte0,0030,006
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0080,007

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 Opus0,031
Tête enseignante GPT0,253
Écart entre enseignants0,222 · 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.

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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied OntologyMême sujetSemantic Web and OntologiesTravaux en français237 207