Modélisation objet de comportements appliquée aux logiciels de commande
Bibliographic record
Abstract
La conception de la commande informatique de systèmes complexes est une tâche difficile. Elle nécessite l'intégration et l'adaptation d'une multitude d'entités et de comportements en interrelation. La démarche utilisée alors consiste à reprendre des concepts issus du génie logiciel avec, en particulier, les concepts de l'approche objet, le langage de modélisation unifié UML et les micro-architectures. Dans ce contexte, l'article propose un cadre de modélisation pour mieux profiter de ces concepts et concevoir des logiciels de commande flexibles et intelligibles. Il propose " d'objectifier " les comportements puis moyens pour l'intégration et l'adaptation. Ce principe conduit à un style d'architecture orienté-objet sur trois niveaux conceptuels avec : des objets cibles, qui peuvent être des images logicielles du système piloté, des comportements appliqués à ces objets cibles, et des combinateurs, moyens d'intégration et d'adaptation de comportements. Ce cadre de modélisation définit les concepts, une notation fondée sur UML et une heuristique qui précise comment appliquer ces concepts. Pour illustrer l'approche proposée, l'exemple du pilotage d'un robot hexapode est développé.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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 source (direct Gemma or distilled Codex), 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".