Structural Retention Index (SRI): A Collapse Index Extension for Orthogonal Stability Assessment
Notice bibliographique
Résumé
This paper introduces the Structural Retention Index (SRI), a metric that quantifies how well AI systems preserve internal decision structure under perturbation. SRI measures stability dimensions orthogonal to the Collapse Index (CI), providing comprehensive dual-signal failure detection. Key Results: Perfect complementarity: CI + SRI = 1.000 (inverse measures of the same stability phenomenon) Equal discriminative power: Both achieve AUC=0.874 for error detection Vastly outperforms confidence alone (AUC=0.171) Identifies hidden instability: 20 Type II cases (4.0%) show internal confidence shifts without visible label flips Validation:AG News 4-class text classification (500 base examples × 4 variants = 2,000 predictions). Reproducible dataset, generation pipeline, and validation metrics publicly available. Methodology:SRI computation remains proprietary to prevent adversarial optimization. Validation outputs are independently verifiable. This approach balances scientific transparency with IP protection, consistent with industry practices for evaluation frameworks. Reproducibility: Dataset: agnews_ci_sri_demo.csv (2,000 rows) Generation script: generate_agnews_demo.py (MIT license) Validation script: validate_metrics.py (MIT license) GitHub: https://github.com/collapseindex/ci-sri License: CC BY-NC-ND 4.0 (Attribution-NonCommercial-NoDerivatives) Contact: ask@collapseindex.org | https://collapseindex.org
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 | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».