METIS in PArADISE: Provenance Management bei der Auswertung von Sensordatenmengen für die Entwicklung von Assistenzsystemen
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
n diesem Beitrag soll ein langfristiges Forschungsvorhaben im Bereich der Informatik und Elektrotechnik an der Universitat Rostock vorgestellt werden, in dem wissenschaftliche Experimente in der Informatik, der Zellbiologie und der Medizin (neurodegenerative Erkrankungen) durch effiziente Analyseverfahren auf sehr grosen Mengen von Mess- oder Sensordaten unterstutzt und im Sinne des Provenance Management ruckverfolgbar gemacht werden sollen. Im Bereich der Informatik ist das experimentelle Anwendungsgebiet das der Erforschung und systematischen Entwicklung von Assistenzsystemen. Da in Assistenzsystemen unterstutzte Personen durch eine Vielzahl von Sensoren beobachtet werden, mussen auch Privatheitsaspekte bereits wahrend der Phase der Modellbildung berucksichtigt werden, um diese bei der konkreten Konstruktion des Assistenzsystems automatisch in den Systementwurf zu integrieren. Die Datenbankteilaspekte dieses Forschungsgebietes werden im Beitrag naher beleuchtet: Neben der effizienten Auswertung groser Mengen von Mess- und Sensordaten sind dies das Provenance Management und die Integration von Privatheitsbedingungen. Um diese Problemkreise zu verknupfen, treffen zwei extrem unterschiedliche Datenbankthemen aufeinander: (1) Ableitung inverser Schema- und Instanzabbildungen, die ublicherweise in der Datenbankintegration, -foderation und -evolution benotigt werden, aus dem Projekt METIS, sowie (2) Effizienz von Analyseverfahren und Integration von Privatheitsaspekten durch Anfragetransformationen fur die Entwicklung von Assistenzsystemen im Projekt PArADISE. Im Beitrag werden wir den gemeinsamen Kern beider Themen in den theoretischen Grundlagen von Datenbanken identifizieren.
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 | 0.013 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 it