Proceedings of the First International Workshop on Trends in Knowledge Representation and Reasoning (TKR'25)
Notice bibliographique
Résumé
The First International Workshop on Trends in Knowledge Representation and Reason ing (TKR’25) aimed at providing a forum for the general area of Knowledge Representation and Reasoning (KR), which is a well-established and active area of research within Artificial Intelligence. KR is about the declarative representation of knowledge and develops methods for automated reasoning under vagueness, uncertainty, incompleteness, and inconsistency. We welcomed contributions from all areas of KR and two types of submissions: full papers must be original and constitute significant contributions to the field and Extended abstracts of recently published works or teasers for ongoing work. All submissions have be evaluated through peer-reviewing based on originality, significance, technical soundness, and clarity of exposition. The reviewing process was single blind. We specifically welcomed extended abstracts of papers published at IJCAI’25, for which the workshop can serve as medium for extended presentations. TKR2025 was hosted as an IJCAI 2025 workshop and took place in August 2025 in Montreal, Canada. The workshop received 22 submissions (8 full papers and 14 extended abstracts) and 13 of them (4 full papers and 9 extended abstracts) had been accepted for this volume. We were also pleased to welcome Meghyn Bienvenu as a keynote speaker.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,077 | 0,043 |
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 ».