Uma Abordagem Flexível para Comparação de Modelos UML
Bibliographic record
Abstract
Com o surgimento da MDA (Model Driven Architecture) o papel da composição de modelos tornou-se mais importante. Um desafio enfrentado é compor modelos representados em UML (Unified Model Language) e em suas extensões. Porém, para colocar a composição em prática é necessário realizar uma atividade essencial: a comparação de modelos. Este artigo apresenta uma técnica de comparação de modelos que visa dar flexibilidade ao processo de definição de equivalência entre os modelos de entrada de um mecanismo de composição. Esta flexibilidade é alcançada através da definição de estratégias de comparação. Conseqüentemente, modelos de entrada passam a ser compostos se considerados equivalentes de acordo com uma estratégia específica de comparação. Estas estratégias são implementadas por um operador de comparação que faz uso de regras de comparação, dicionário de sinônimo e similaridade tipográfica. Além disso, são especificados alguns desafios e proposto um guia para especificar as atividades que devem ser realizadas ao longo do processo de comparação.
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 | 0.018 | 0.040 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.006 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
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".