Notice bibliographique
Résumé
Abstract Knowledge representation is one way to exploit expertise in a given domain by logical means. But, what kind of knowledge does one acquire from an inference (or inference on a query result over a knowledge base)? Such a question may appear awkward since the answer seems so obvious: from an inference, one simply acquires knowledge. This is undoubtedly the case when only one type of knowledge (for instance, expert knowledge) is involved in an inference. What if several types of knowledge are involved? What type of knowledge can one deduce from a plurality of knowledge types? I claim that reasoning with different knowledge concepts requires a fine-grained representation of knowledge in which every knowledge type finds a singular expression in order to avoid some epistemic equivocity associated with a coarse-grained representation of knowledge. In the first part of the paper, I revisit the Muddy Children Puzzle, which usually serves to illustrate common knowledge in dynamic epistemic logic. I try to show that this problem also shows some sort of epistemic equivocity between concepts of knowledge and, consequently, that the problem calls for some epistemological refinements concerning the representation of the types of knowledge at play in an inference. In the second part, I address this issue from a semantic point of view, and I develop a fragment of epistemic logic capable of providing a solution to the problem of epistemic equivocity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,037 |
| Communication savante | 0,010 | 0,024 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».