Pourquoi un cadre ontologique pour la modélisation multi-agents en sciences humaines et sociales?
Bibliographic record
Abstract
En philosophie, l’ontologie est « la science de ce qui est, des types et structures des objets, propriétés, évènements, processus et relations »; En informatique et management des connaissances, une « ontologie » est la spécification de la conceptualisation d’un domaine de connaissance. Pour la simulation multi-agents, le domaine concerne les modèles et non les « données ». Pour répondre à la question « Pourquoi un cadre ontologique pour la modélisation multi-agents en sciences humaines et sociales? », cet article aborde d’abord trois dimensions: (1) ingénierie des modèles (2) aspects thématiques (disciplinaires) et épistémologiques (3) comparaison et évaluation de modèle (test ontologique). À la différence de nombreuses ontologies, cet article ne propose pas une unique représentation d’un domaine de connaissance, mais le maintien d’une possible pluralité, basée sur le concept de « cadre de connaissance », conçu pour permettre d’intégrer une pluralité de « point de vue » dans un cadre général qui nous permet de comparer et/ou combiner différents points de vue qui coexistent en sciences sociales. La dernière partie présente ainsi quelques exemples de points de vue ontologiques qui peuvent être dérivés à partir du modèle de ségrégation résidentielle introduit par Schelling.
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 | 0.007 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.010 | 0.048 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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; both teacher heads agree on what is shown here.
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".