The Science of Truth: A Rigorous Mathematical Framework for Integrity-Aware Scientific Metrics via the Forensic A-Index
Notice bibliographique
Résumé
This paper establishes the rigorous mathematical proofs and algorithmic architecture for the Forensic A-Index. While traditional evaluation metrics (such as the h-index) model academic impact as an unbounded, unweighted function—leaving them highly vulnerable to paper mills and citation cartels—the ASAI framework transitions bibliometrics into a strictly bounded, topology-aware forensic audit. This document formalizes the global publication ecosystem as a time-evolving bipartite multigraph. It establishes strict mathematical boundary conditions via a Topological Density penalty (K-Factor), an L1-normalized Conservation of Impact law, and Citation Intent Entropy. Through game-theoretic modeling and Fokker-Planck stochastic diffusion equations, this work demonstrates how the A-Index fundamentally breaks the Nash equilibrium of reciprocal cartel formation by driving the expected payoff of artificial edge creation below zero. Ultimately, this establishes the framework as a mathematically unfakeable ledger of scientific truth. Note: This document represents Part 2 of the foundational ASAI architecture. For the executive framework and practical applications, please refer to Part 1: "The Science of Truth: A New Citation Algorithm for Restoring Integrity in Scientific Metrics."
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 | 0,013 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,007 | 0,016 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».