Process Representation Meets Operational Realization: An Architecture for Data-Driven Process Ontology Application Through Process Mining
Notice bibliographique
Résumé
Processes are fundamental to enterprises, serving as significant engines of optimization and analysis. Understanding business processes is critical, yet integrating formal process ontologies with enterprise data and workflows remains difficult. We refer to this specific kind of ontology application, intended for practitioners working with enterprise data, as operational realization. The varied ontological commitments and highly expressive representation languages of process ontologies create barriers for operational realization, including issues of decidability, a lack of tooling, and operational constraints. This paper presents an architecture for the operational realization of process ontologies, driven by process mining needs. A key aspect of the architecture is the formalization of ontological commitments in tasks like data cleaning and analysis, which rely on implicit assumptions embedded in the interpretation of process data. Our approach builds on existing methodologies, notably ontology-based data access (OBDA), while going further by encoding domain knowledge required to interpret and reason with process data. This structure moves beyond an A-Box and T-Box distinction, explicitly capturing how the process ontology, domain data, and supporting data interpretation theories enable complex process reasoning. By structuring the dynamics of a process ontology, domain data, process data theories, and by characterizing reasoning scenarios, our approach provides a pragmatic foundation for integrating process ontologies into data-driven process workflows. We demonstrate this architecture with real enterprise data, challenge problems, and scenarios already widely used for benchmarking in process mining.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».