Bibliographic record
Abstract
Les jeux modernes pour ordinateurs ont tendance `a apporter les structures narratives complexes, en affirmant un jeu `a la fois entendu et int´eressant. Les structures narratives sont importantes non seulement dans le jeu d'aventure et le jeu de rˆole, mais aussi dans le jeu de tir `a la premi`ere personne et le jeu de strat´egie. Malgr´e tout, beaucoup de structures narratives poss`edent des d´efauts qui r´eduisent la qualit´e des jeux, ainsi c'est important de d´evelopper la technique de analyse ou de v´erification. Malheureusement, des tentatives de v´erification formelle sont limit´ees, et dans la pratique effectu´ee avant tout par l'inspection manuelle et l'essai du jeu. Notre recherche est bas´ee sur une structure applicative nomm´ee Programmable Narrative Flow Graph (PNFG) (Plan de Flux Narratif Programmable) qui offre un langage de haut niveau `a repr´esenter des structures narratives. En tant que premier pas vers la v´erification plue profonde, notre approche est `a appliquer l'analyse formelle de haut niveau sur les structures narratives afin de trouver leurs winning paths (chemins de la victoire). Nous prolongeons la structure applicative PNFG par l'´elaboration d'un module d'analyse de flux de donn´ees g´en´eriques, mais aussi mettons en oeuvre plusieurs analyseurs `a recueillir des donn´ees de haut niveau sur les comportements narratifs. Pour am´eliorer la performance de notre approche, nous avons ´egalement conc¸u plusieurs optimisations qui r´eduisent la taille de l'espace de recherche. Non toutes les diff´erentes optimisations sont efficaces sur les structures narratives, mais notre strat´egie finale et totalement optimis´ee$
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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".