Saltar al contenido
Grand Thera
Película del producto de Grand Thera

Publicaciones.

Working papers con identificadores persistentes, publicados en abierto y abiertos a la revisión y el perfeccionamiento académicos.

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.

Autores de la investigación

  • Fernando Negrini

    Autor principal e investigador principal, Beyond Ontology

  • Hugo Dias

    Coautor, Beyond Ontology

  • Darlan Parucker Lueders

    Coautor, Beyond Ontology

  • Caroline Assis

    Coautor, Beyond Ontology

Investigación y Tecnología

Artículos técnicos.

Cite, critique o amplíe el marco.