Collective intelligence as collective information processing
Notice bibliographique
Résumé
Collective intelligence research spans multiple disciplines and focuses on a broad range of collective behaviors, including group problem-solving, flocking in social animals, and the formation of social knowledge. It is not apparent what these different forms of collective intelligence have in common, apart from being instances of collective behavior. In this paper, we develop a framework that enables us to better classify different forms of collectively intelligent behavior in relation to one another based on the information processing mechanisms involved. We argue that these behaviors share a common foundation, which we call collective information processing, or CIP. CIP involves two key mechanisms: (1) individual processing of group information and (2) group processing, or group-level sensitivity to the arrangement of individual information. We operationalize the CIP framework to analyze different forms of collective intelligence, both classifying them in relation to one another and in alignment with generalized quantifiable measures of information processing. Our account of collective intelligence as CIP offers a novel framework for identifying and classifying forms of collective intelligence across a wide range of disciplinary contexts. This framework is meant to unify and subsume, rather than simply challenge, existing attempts to define collective intelligence. • Collective intelligence (CI) inquiry lacks a multidisciplinary, unifying framework. • We propose that Collective Information Processing (CIP) underlies CI. • CIP distinguishes two forms of individual- and group-level processing. • CIP enables identification and classification of phenomena labeled as CI. • CIP advances debates about agency and causation within CI studies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».