Causal Leverage Density: A Universal Framework for Semantic Information
Notice bibliographique
Résumé
Despite living in the information age, we often ponder: what does information mean? Shannon defined syntactic information using a simple measure applied to probability distributions. Syntactic information captures the degree of ‘surprise’ on the part of a message receiver, given some prior credences over the alphabet of symbols being transmitted through a channel; however it remains silent on semantics—the notion of meaning. This gap is especially critical for the artificial life community, which aims to understand and synthesize life-like processes where meaning and correlated function are essential. Existing approaches to semantic information are often domain-specific, tied either to linguistic contexts or to the viability of agents, limiting their generality. We thus introduce ‘Causal Leverage Density’ (CLD), a generalised approach to quantifying semantic information grounded in established concepts from statistical physics. CLD quantifies the influence of syntactic information by evaluating the effect of information-scrambling interventions on the future evolution of a system’s phase space trajectories, which encapsulate all relevant degrees of freedom. This concept yields a universal approach to characterising meaning and semantic influence in any type of system, from physics to biology to machine learning. Crucially, by identifying systems where information has causal efficacy, CLD offers a robust tool for defining and detecting life as might be found elsewhere in the universe or created artificially on Earth.
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 | 0,009 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,006 | 0,015 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».