MétaCan
Menu
Retour à la cohorte
Enregistrement W4402158117 · doi:10.1162/isal_a_00805

Reality of Affordances: A Category-Theoretic Approach

2024· article· en· W4402158117 sur OpenAlexaff
Ryuzo Hirota, Hayato Saigo, Shigeru Taguchi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueArtificial Intelligence in Education
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésAffordanceComputer scienceHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

The concept of affordance, proposed by James J. Gibson as an opportunity for action offered by the environment to the organism, has been adopted in various fields, including psychology, neuroscience, and robotics. However, different interpretations exist as to whether it is a feature of a relation between the environment and the organism and therefore cannot exist independently of the organism, or a “resource” that exists in the environment independent of the organism’s presence and is waiting to be used, or both, or neither. In this paper, we defend the position that affordances are both relational and resources using a category-theoretic approach. This idea is formalized by the concept of “natural transformations” in category theory, which are structure-preserving transformations between “functors” – mathematical expressions representing “seeing from a particular perspective.” We propose that formalizing the realism of affordance in terms of natural transformations offers a more rigorous and lucid understanding of this concept. Furthermore, our formalization enables us to relate the reality of affordances to a broader context, especially the shift in the meaning of “reality” in modern physics. Our category-theoretic approach offers a potential solution to the problems and limitations associated with existing set theory-based frameworks for affordances, paving the way for a future theory that better accounts for the openended interplay between organisms and their environments.

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)0,004
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,006
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,002
Études des sciences et des technologies0,0020,019
Communication savante0,0060,012
Science ouverte0,0020,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,054
Tête enseignante GPT0,327
Écart entre enseignants0,273 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetArtificial Intelligence in EducationTravaux en français237 207