Zum Inhalt springen
Grand Thera
Produktfilm von Grand Thera

Forschung ist Infrastruktur.

Jede Aussage der Plattform folgt aus einer Methode, die sich prüfen lässt. Grand Thera veröffentlicht diese Methode offen, damit sie getestet, hinterfragt und verbessert werden kann.

Laufende Forschung

In diesem Bereich

Working Paper v1.1 · Preprint · Konzeptioneller Rahmen

Veröffentlicht· Sep. 2026

Beyond Ontology

Rechnergestützte Epistemologie als geschichtete Inferenzmaschine

A Conceptual Framework for Separating Signal from Noise in Decision-Making

Fernando Negrini (Hauptautor) · Hugo Dias · Darlan Parucker Lueders · Caroline Assis

Ontologische Kohärenz bestimmt nicht, wie eine Maschine unter Unsicherheit schließen sollte. Das Paper führt eine angewandte rechnergestützte Epistemologie ein: eine offene, geschichtete Inferenzarchitektur, aufgebaut über einer rechnergestützten Ontologie. Kandidatensignale werden von heterogenen Engine-Familien untersucht, wiederholt über Stichproben, Fenster, Frequenzen, Spezifikationen und Regime hinweg bewertet, qualifiziert, durch abhängigkeitsbewusste Konvergenz abgeglichen, zu einer Ereigniswahrscheinlichkeit kalibriert und als prüfbares Artefakt auf die geschäftliche Auswirkung abgebildet. Ein menschlicher Modellierer behält die Governance, und zusätzliche Komplexität wird nur zugelassen, wenn sie gegenüber der einfachsten angemessenen Baseline statistisch und wirtschaftlich wesentliche Gewinne bringt.

Working Paper lesen (öffnet in einem neuen Tab)Interaktive Ausgabe (öffnet in einem neuen Tab)
DOI (Zenodo)
10.5281/zenodo.22240288
Auch gelistet (SSRN)
10.2139/ssrn.7392618
Veröffentlicht
2026-09-01
Lizenz
CC BY 4.0
Ressourcentyp
Preprint · offen für Begutachtung

Was das Paper behauptet

  • Inferenz ist besser vertretbar, wenn die Entscheidung vor der Modellauswahl gerahmt wird.
  • Kandidatensignale sollten zulässige Störungen überstehen, bevor sie befördert werden.
  • Familienübergreifende Synthese sollte gemeinsame Abhängigkeit abwerten und Konflikte bewahren.
  • Wahrscheinlichkeit wird erst entscheidungsrelevant, wenn sie mit Auswirkung und einer prüfbaren Spur verknüpft ist.

Offenes empirisches Programm

  1. 01Prüfen, ob fensterübergreifende Persistenz die Leistung außerhalb der Verteilung verbessert.
  2. 02Schätzen, welche Störungsmengen Struktur am besten von Stichprobenartefakten trennen.
  3. 03Messen, wie gemeinsame Daten und induktiver Bias Konvergenz abwerten sollten.
  4. 04Ein Einzelmodell, ein homogenes Ensemble, ein ontologiezentriertes System und die vollständige Maschine auf zurückgehaltenen Daten vergleichen.

Forschungsfelder

Wo allgemeine Data Science aufhört.

  • Dynamik der Unsicherheit

    Wie sich Unsicherheit entwickelt, aufbaut und auflöst, wenn Evidenz eintrifft.

  • Risikokontamination

    Wie sich Stress zwischen den Komponenten vernetzter Systeme überträgt.

  • Zeitliche Ausbreitung von Entscheidungen

    Wie sich die Folgen einer Entscheidung im Zeitverlauf entfalten und auf das System zurückwirken.

  • Nichtlineare Wechselwirkungen

    Variablen, deren gemeinsames Verhalten sich nicht aus ihren Einzeleffekten ablesen lässt.

  • Rechnergestütztes Vertrauen

    Wann sich eine Inferenz das Recht verdient hat, eine Entscheidung zu begründen, und wann es abgelaufen ist.

  • Kalibrierung und Prüfbarkeit

    Wahrscheinlichkeiten, die gegenüber beobachteten Ergebnissen ehrlich bleiben, mit einer Herkunft, der Prüfer folgen können.

Forschungsnotizen

Neues aus dem Forschungsprogramm.

Wirken Sie am empirischen Programm mit.

Forschungsteam kontaktierenExperimente