MétaCan
Menu
Retour à la cohorte
Enregistrement W7132859330

Knowledge Translation

2022· dissertation· W7132859330 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueTSpace · 2022
Typedissertation
Langue
DomaineComputer Science
ThématiqueAdvanced Graph Neural Networks
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSchema (genetic algorithms)Domain knowledgeKnowledge baseKnowledge acquisitionDomain (mathematical analysis)Set (abstract data type)Knowledge-based systemsGraphSubject-matter expert
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Knowledge-rich applications can see significant performance improvementsby using domain-specific Knowledge bases (KBs). Populating and enriching these KBs has, thus, become an important challenge. In this thesis, we examine a powerful approach for KB population that is based on knowledge exchange, the process of translating knowledge from one KB to another, even when these KBs use very different concepts, properties, and graph structure to represent their knowledge. We introduce Kensho. A tool for generating mapping rules between two Knowledge Bases. In the data exchange problem, data that is structured under a source schema is transformed into an instance of a target schema. This is accomplished using a set of rules (called mapping rules) that specify the relationship between the source and target schemas. Kensho can produce mapping rules even in the presence of cycles, incompleteness in the source, and in settings with missing or unknown correspondences between properties or property paths. In addition, Kensho performs knowledge translation using value invention to preserve the proper grouping of data in the target KB. We also introduce two tools (Vizcurator and Sassho) that we have created to help domain experts in the task of knowledge translation. Vizcurator aims to help a domain expert understand and curate the source of exchange. Sassho aims to help a domain expert compare and understand mapping rules which are automatically created using a mapping generation tool such as Kensho. Sassho enables a domain expert to create examples that can be used to understand subtle differences among alternative mapping rules and explore the affect of those differences on the data being exchanged. As interest in supporting data exchange between heterogeneous knowledge bases (KBs) has increased, so has interest in benchmarking KB exchange systems. We introduce a set of new requirements for a KB exchange benchmark based on unique characteristics of KBs and based on important lessons learned from other data exchange systems. The field of exchanging information among KBs is relatively new. We outline an extensive research agenda for Knowledge Exchange based our experience in bringing data exchange to knowledge graphs.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,812
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,388
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle