A decision architecture for epistemic prioritization: Machine learning at the intersection of technology and society
Notice bibliographique
Résumé
This review examines how machine learning (ML) methodologies are transforming the philosophy of science and engineering through five critical epistemic functions: Prediction, Explanation, Discovery, Understanding, and Decision-making (P.E.D.U.D.). We analyze each function individually and then provide examples of how ML applications embody these epistemic aims. Building on this analysis, we develop a framework to help users/practitioners determine which epistemic function to prioritize for specific problem domains by creating a decision architecture that aligns ML methodologies with epistemic goals. Finally, we explore the broader philosophical implications of this epistemological landscape by analyzing tensions between data-driven and theory-driven approaches and argue that ML necessitates a reconsideration of the traditional philosophy of science as the balance between these five functions evolves. • ML reshapes science via Prediction, Explanation, Discovery, Understanding & Decisions. • Develops a decision framework aligning ML methodologies with targeted epistemic goals. • Highlights tensions between data- and theory-driven science approaches in ML fueling!. • Examines ML's epistemic shift urging a reappraisal of science's classic frameworks … • Outlines challenges and future research directions at ML's epistemic nexus for change!!.
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 | 0,027 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,028 |
| Communication savante | 0,014 | 0,026 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».