Saltar al contenido
Grand Thera
Película del producto de Grand Thera

La investigación es infraestructura.

Cada afirmación que hace la plataforma deriva de un método que puede inspeccionarse. Grand Thera publica ese método abiertamente para que pueda ser probado, cuestionado y mejorado.

Investigación activa

Working Paper v1.1 · Preprint · Marco conceptual

Publicado· sep. 2026

Beyond Ontology

La epistemología computacional como máquina de inferencia por capas

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

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

La coherencia ontológica no determina cómo debe inferir una máquina bajo incertidumbre. El artículo presenta una epistemología computacional aplicada: una arquitectura de inferencia abierta y por capas construida sobre una ontología computacional. Las señales candidatas son interrogadas por familias heterogéneas de motores, sometidas a evaluaciones repetidas en muestras, ventanas, frecuencias, especificaciones y regímenes, calificadas, reconciliadas mediante una convergencia consciente de la dependencia, calibradas en una probabilidad del evento y vinculadas al impacto de negocio como un artefacto auditable. Un modelador humano conserva la gobernanza, y solo se admite complejidad adicional cuando produce mejoras estadística y económicamente materiales frente a la línea base adecuada más simple.

También publicado en (SSRN)
10.2139/ssrn.7392618
Publicado
2026-09-01
Licencia
CC BY 4.0
Tipo de recurso
Preprint · abierto a revisión

Lo que afirma el artículo

  • La inferencia es más defendible cuando la decisión se plantea antes de seleccionar los modelos.
  • Las señales candidatas deben sobrevivir a perturbaciones admisibles antes de ser promovidas.
  • La síntesis entre familias debe descontar la dependencia compartida y preservar el conflicto.
  • La probabilidad solo es relevante para la decisión cuando se vincula con el impacto y con una pista auditable.

Programa empírico abierto

  1. 01Probar si la persistencia entre ventanas mejora el desempeño fuera de distribución.
  2. 02Estimar qué conjuntos de perturbaciones separan mejor la estructura de los artefactos de muestra.
  3. 03Medir cómo los datos compartidos y el sesgo inductivo deberían descontar la convergencia.
  4. 04Comparar un modelo único, un ensamble homogéneo, un sistema centrado en ontología y la máquina completa con datos reservados.

Áreas de investigación

Donde termina la ciencia de datos general.

  • Dinámica de la incertidumbre

    Cómo evoluciona, se acumula y colapsa la incertidumbre a medida que llega la evidencia.

  • Contaminación del riesgo

    Cómo se transmite el estrés entre los componentes de sistemas interconectados.

  • Propagación temporal de decisiones

    Cómo se despliegan en el tiempo las consecuencias de una decisión y retroalimentan el sistema.

  • Interacciones no lineales

    Variables cuyo comportamiento conjunto no puede leerse a partir de sus efectos individuales.

  • Confianza computacional

    Cuándo una inferencia se ganó el derecho a informar una decisión, y cuándo venció.

  • Calibración y auditabilidad

    Probabilidades que siguen siendo honestas frente a los resultados observados, con una trazabilidad que un revisor puede seguir.

Notas de investigación

Lo último del programa de investigación.

Colabore en el programa empírico.