Application of Cognitive Map in Knowledge Management
Notice bibliographique
Résumé
to capture perceived relationships of attributes related to ill-structured decision problems that decision makers have to face. This article provides an overview of the application of cognitive maps (CMs) in the design and development of intelligent information systems. Here, CM is used as a set of techniques to identify subjective beliefs and to portray those beliefs externally as follows: • Causal mapping is used to investigate the cognition of decision-makers. A causal map represents a set of causal relationships (i.e., cause and effect relationships) among constructs within a system. For example, Figure 1 shows that better sanitation facilities, causing an initial improvement in health, led to an increase in the city’s population. This growth led to more garbage, more bacteria, and therefore more disease. Causal map aids: 1) in identification of irrelevant data, 2) to evaluate the factors that affect a given class of decisions, and 3) enhances the overall understanding of a decision maker’s environment, particularly when it is ill-structured. • Semantic mapping, also known as idea mapping, is used to explore an idea without the constraints of a superimposed structure. A semantic map visually organizes related concepts around a main concept with tree-like branches. Figure 2 depicts different types of transportation, organized in three categories: land, water, and air. This technique facilitates communication between end-users and system analysts in support of information requirements analysis. • Concept mapping is a useful tool for organizing and representing concepts (events or objects) and their interrelationships in a particular domain. Each concept is designated with a label. The relationship between two concepts in a concept map is referred to as a proposition; propositions connect concepts to form a meaningful statement. Relationships between concepts are associative. For example, in Figure 3, two concepts of “plants” and “flowers” are associated via “may have” that form the proposition of “plants may have flowers.” Describing complex structures with simple propositions improve quality of conceptual modeling in the development of information systems.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».