Une étude de l'évolution de la modularité cognitive assistée de simulations
Bibliographic record
Abstract
Les simulations connexionnistes évolutionnaires combinent réseaux de neurones et algorithmes génétiques. La notion de modularité cognitive-neuronale désigne une architecture constituée de sous-réseaux dont les caractéristiques innées sont l'encapsulation, la localisation et la spécialisation fonctionnelle. Nous soutenons que les simulations connexionnistes évolutionnaires peuvent être utilisées pour développer une théorie de l'évolution de la modularité possédant une structure épistémologique et une méthodologie mutuellement adéquates. Elles sont mutuellement adéquates, car les simulations connexionnistes évolutionnaires permettent de faire des arguments par modèles (au sens logique) sur les relations d'implication et de consistance, et la théorie contient des lois qui sont des conséquences logiques de la théorie de l'évolution et des postulats neurocomputationnels. L'utilisation du connexionnisme évolutionnaire pour développer une telle théorie n'est pas qu'une possibilité abstraite ; des pas importants ont déjà été faits, et cette thèse apporte à ce domaine une contribution originale par le biais de simulations servant à valider des hypothèses existantes sur l'évolution de la modularité et à en formuler de nouvelles. Dans le premier chapitre, nous passons en revue les principales conceptions de la modularité et définissons, justifions et opérationnalisons la notion qui est utilisée par la suite. Dans le second chapitre, nous précisons le statut épistémologique et la structure que devrait avoir une théorie de l'évolution de la modularité. Dans le troisième chapitre, nous établissons les fondements méthodologiques des simulations connexionnistes évolutionnaires et montrons comment cette méthodologie s'articule particulièrement bien aux caractéristiques épistémologiques de la théorie présentées au second chapitre. Dans le quatrième chapitre, nous examinons et rejetons les arguments théoriques visant à établir déductivement la nécessité de la modularité. Nous faisons dans le cinquième chapitre une revue d'un ensemble de modèles de l'évolution de la modularité sous certaines conditions, modèles basés pour la plupart sur une tâche dite de localisation et de catégorisation. Dans le sixième chapitre enfin, nous produisons de nouvelles simulations, et des tests plus approfondis sont effectués pour mieux comprendre les simulations déjà existantes. Nos résultats permettent entre autre de mieux comprendre le paradigme expérimental dominant dans ce domaine, de montrer comment l'interaction de l'apprentissage et de l'évolution permet de contourner les obstacles à l'évolution de la modularité, et comment l'évolution de biais innés spécialisés dans un module favorise la capacité de généralisation dans une tâche. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Modularité, Évolution, Connexionnisme.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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; 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".