Quantitative Phylogenetic Analysis in the 21st Century
Bibliographic record
Abstract
Se revisa la sistematica fi logenetica Hennigiana y se compara con las aproximaciones de Maxima Parsimonia, Maxima Verosimilitud y verosimilitud Bayesiana. Todos los metodos utilizan el principio de la parsimonia en alguna forma. Las aproximaciones con bases Hennigianas se justifi can ontologicamente con los conceptos Darwinianos de conservacionismo fi logenetico y cohesion de las homologias, representados en el Principio Auxiliar de Hennig, y aplicado en la comparacion con el grupo externo. La Parsimonia se utiliza como una herramienta epistemologica, aplicada a posteriori en la eleccion de la hipotesis mas robusta cuando hay datos en confl icto. Los metodos cuantitativos utilizan la parsimonia como un criterio ontologico: los analisis de Maxima Parismonia utilizan la parsimonia sin pesaje, la Maxima Verosimilitud les asigna un peso igual a todos los caracteres que explican los datos, mientras que la verosimilitud Bayesiana depende del pesaje de cada una de las particiones de caracteres que explican los datos. Las diferencias en los resultados derivan de un muestreo insufi ciente de datos, en cuyo caso cada metodo trata las ambiguedades de manera diferente. Todos los metodos cuantitativos producen redes. Las redes pueden convertirse en arboles al ser enraizadas. Si el enraizamiento se efectua de acuerdo con el Principio Auxiliar de Hennig, utilizando la comparacion con un grupo externo, el arbol resultante puede considerarse como una hipotesis fi logenetica. Al incrementarse el numero de datos, los metodos de verosimilitud selccionan modelos que permiten un numero cada vez mayor de posibilidades a priori, convergiendo en la perspectiva Hennigiana de que nada esta prohibido a priori. Por lo tanto, todos los metodos producen resultados similares independientemente del tipo de datos, especialmente cuando las redes se enraizan utilizando grupos externos
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".