1 - Contribution des mesures d'information à la modélisation crédibiliste de connaissances
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Dans le cadre de la reconnaissance de formes, plusieurs methodes de classification ont ete developpees. Plus recemment, des methodes utilisant la theorie de Dempster-Shafer ont ete mises au point afin de gerer les problemes lies a la fusion d'informations imparfaites. Nous proposons ici une methode de discrimination fondee sur l'utilisation de structures de croyance. L'une des principales difficultes de la theorie de l'evidence reside dans la modelisation des connaissances. Afin de pallier ce probleme, plusieurs methodes de modelisation des connaissances a l'aide de fonctions de croyance ont vu le jour, dont celle proposee par A. Appriou [1, 2]. Afin de respecter l'inference bayesienne dans le cas de la connaissance parfaite des probabilites a priori, nous utilisons cette methode pour initialiser nos fonctions de croyance. Notre contribution reside dans l'utilisation de coefficients de fiabilite attribues a chaque source d'information selon chaque hypothese afin de modeliser le plus precisement possible l'information disponible. Ces coefficients sont definis par l'intermediaire d'une mesure de ressemblance entre des approximations de lois de probabilites a priori inconnues. Celles-ci sont determinees par des histogrammes construits a l'aide de criteres d'information. Les structures de croyance issues des sources les moins fiables sont alors affaiblies. Ensuite, les informations sont fusionnees a l'aide de l'operateur de combinaison de Dempster. Des resultats sur des donnees synthetiques sont proposes afin d'illustrer la methode.
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.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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 it