Apprentissage de la Complexité du Corps-Cerveau en Robotique Bio-Inspirée
Bibliographic record
Abstract
Comprendre le lien entre la sensorialité et l’acte moteur est à la fois un point de départ et un point d’arrivé pour comprendre la cognition humaine. Le robot est par là-même l’outil idéal pour étudier ces différents aspects. Cela nécessite à la fois de comprendre le niveau microscopique et macroscopique des modèles neuronaux et cérébraux, comprendre la biomécanique du corps et le traitement de l’information fait par les cellules sensorielles et musculaires, ainsi que toute la chaîne de processus pour apprendre, s’adapter dynamiquement face à l’imprévu. Ces questions rebouclent sans cesse dans ma recherche pour définir les mécanismes de l’Intelligence Encorporée.J’y explore trois axes de recherche qui sont la génération du mouvement, le développement cognitif, l’apprentissage sensorimoteur. Il s’agit de comprendre comment le corps est constitué, quelle est sa structure bio-mécanique, comment un système agissant peut apprendre sur le long-terme et arrive à apprendre à apprendre de ses propres actions. Ce qui lie mes recherches est une vision complexe et encorporée de l’intelligence, transversale, dont les mots-clefs sont les processus itératifs, émergents, auto-associatifs, génératifs.
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) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".