Information-Theoretic Modeling of the Sustainable Digital Personality Constructs Using Mutual Information Constraints and Reinforcement-Based Utility Balancing
Notice bibliographique
Résumé
The paper introduces the probabilistic normalization in combination with the normalization through constraints of mutual information and reinforcement-based utility balancing as an information-theoretic framework to model sustainable digital personality constructs. The first step is to formalize digital personalities using probabilistic graphs, where we use state-space representations with behavioral traits and express the level of personality uncertainty using entropy measures. Markovian dynamics are used to approximate the transition of behavior in stochastic behavior. In order to guarantee long term sustainability, we add mutually information constraints that constrain the divergence between personality states over time, ensuring that they remain stable through KL-divergence thresholds. These limits restrictive to non-stationary surroundings by controlling personality drift. An augmentation of this model by a reinforcement learning formulation, it is the reward function which comes to explicitly penalize information divergence, a trade-off between user utility and stability of information production. Policy optimization is limited with mutual information budgets and mechanisms that dynamically cover the violations are gradient-based. Convergence analysis shows Lyapunov-stable personality paths and provides Pareto-optimality in the tradeoff between utility and constraint. We also determine aensitive phase transitions in the high-entropy limits,inding zones of vulnerability that need adaptive regulators. This principled approach provides a coherent foundation of designing resilient digital agents whose actions can be explained, and is personal and can be limited over time as regards to informational divergence.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».