Ein Modell der Ekonomie als System von neuronalen Netzwerken - Ein Umriss.
Bibliographic record
Abstract
Neuronale Netzwerken oder konnektionistische Modelle werden als konzeptionelle Bausteine in der hier skizzierten ökonomischen Theorie verwendet, weil sie die gleichzeitige Modellierung von Mikro- und Makroökonomie ermöglichen. Im Zentrum der Theorie stehen zwei Netzwerke - ein Angebots- und ein Nachfrageseite-Netzwerk. Das angebotsseitige Netzwerk verwendet Land, Arbeit und Kapital als Eingaben. Die versteckte Schichtknoten, die die Hersteller repräsentiert, wandelt sie in Produkte um, die auf der Ausgabeschicht auf den Markt gebracht werden. Die an versteckten Schichtknoten verwendeten Aktivierungs- oder Übertragungsfunktionen stellen ökonomische Produktionsfunktionen dar. Das nachfrageseitige Netzwerk verwendet als Eingabe physiologische, psychologische und soziale Variablen und wandelt sie über die versteckte Schichtknoten in Produkte um, die auf der Ausgabeschicht vom Markt verlangt werden. Die beiden Netzwerke sind an ihren Ausgabeschichten so nebeneinander angeordnet, dass der Ausgang eines Netzwerks als Ziel für das andere Netzwerk dient und umgekehrt. Die daraus resultierenden kontinuierlichen Anpassungen beider Netzwerke erklären Konjunkturzyklen. Zirkuläre Flüsse werden ermöglicht, indem die Eingabeschicht eines Netzwerks mit der Eingabeschicht des anderen Netzwerks über die Population verbunden wird. In diesem System funktioniert Geld als Nachfragesymbol, das im Gegenstrom zu Waren und Dienstleistungen existiert. Kredit ist ein Produkt, das hauptsächlich von Banken generiert wird. Gewinne und Verluste reflektieren Belastungen in diesem System und signalisieren, wo die Gesundheit des Systems beeinträchtigt ist. Diese grundlegende Theorie kann ausgearbeitet werden, um soziale Schichten, öffentliche und ausländische Ökonomien zu berücksichtigen und die Umwelt einzubeziehen.
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 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 | 0.009 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.003 |
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; both teacher heads agree on what is shown here.
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".