Bibliographic record
Abstract
[pt] A escolha de uma entre um conjunto de opções disponível normalmente requer a resolução de trade-offs, contudo esperar que as pessoas avaliem cada uma das opções de um grande conjunto pode ser inviável devido ao tempo e ao esforço cognitivo necessários para realizar tal análise, fazendo com que elas fiquem freqüentemente insatisfeitas com suas escolhas. Sistemas de software podem dar suporte à tomada de decisão humana ou mesmo automatizar esse processo, entretanto existem muitos desafios que estão associados com o oferecimento de tal suporte. Esta tese lida, em particular, com três destes desafios: (i) como representar preferências dos usuários; (ii) como raciocinar sobre estas preferências e tomar decisões; e (iii) como justificar tais decisões. Diferentes abordagens têm sido propostas para a representação e raciocínio sobre preferências qualitativas, mas estas abordagens lidam com um conjunto restrito de tipos de preferências, e portanto não são capazes de processar preferências fornecidas por usuários em muitos cenários realistas. Nesta tese, apresentam-se três principais contribuições. A primeira delas consiste de um novo metamodelo de preferências, o qual foi desenvolvido de acordo com um estudo sobre a expressão de preferências, permitindo a representação de preferências em alto-nível. Segundo, uma nova técnica de tomada de decisão automatizada é proposta, a qual escolhe uma opção de um conjunto de opções disponível baseada em preferências expressas em uma linguagem construída de acordo com o metamodelo proposto, explorando termos da linguagem natural, tais como atos de fala expressivos. A técnica vai além das preferências fornecidas para tomar a decisão através da incorporação de princípios da psicologia, que focam como os humanos tomam decisões, já que as preferências fornecidas tipicamente não são suficientes para resolver trade-offs entre as opções disponíveis. Terceiro, apresenta-se uma técnica de geração de explicação, que utiliza modelos construídos pela técnica de tomada de decisão para justificar escolhas, e segue diretrizes e padrões que foram derivados de um estudo sobre explicações a respeito de escolhas, também realizado no contexto desta tese. Um estudo com usuários foi feito para avaliar a abordagem, o qual mostra que (i) a linguagem de preferências é adequada para usuários expressarem suas preferências, que (ii) a técnica de tomada de decisão faz escolhas que os usuários consideram de alta qualidade, e que (iii) as explicações fornecidas permitem que usuários entendam por que a escolha foi feita, bem como melhora a confiança na decisão tomada.
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 | 0.013 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| 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".