Pular para o conteúdo
Grand Thera
Filme do produto Grand Thera

Pesquisa é infraestrutura.

Toda afirmação que a plataforma faz decorre de um método que pode ser inspecionado. A Grand Thera publica esse método abertamente, para que ele possa ser testado, contestado e aprimorado.

Pesquisa ativa

Nesta seção

Working Paper v1.1 · Preprint · Framework conceitual

Publicado· set. 2026

Beyond Ontology

Epistemologia computacional como máquina de inferência em camadas

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

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

A coerência ontológica não determina como uma máquina deve inferir sob incerteza. O artigo apresenta uma epistemologia computacional aplicada: uma arquitetura de inferência aberta e em camadas construída sobre uma ontologia computacional. Sinais candidatos são interrogados por famílias heterogêneas de motores, submetidos a avaliações repetidas em amostras, janelas, frequências, especificações e regimes, qualificados, reconciliados por convergência sensível à dependência, calibrados em uma probabilidade do evento e mapeados para o impacto no negócio como um artefato auditável. Um modelador humano mantém a governança, e a complexidade adicional só é admitida quando gera ganhos estatística e economicamente relevantes sobre a linha de base adequada mais simples.

Ler o working paper (abre em uma nova aba)Edição interativa (abre em uma nova aba)
DOI (Zenodo)
10.5281/zenodo.22240288
Também publicado (SSRN)
10.2139/ssrn.7392618
Publicado em
2026-09-01
Licença
CC BY 4.0
Tipo de recurso
Preprint · aberto a revisão

O que o artigo afirma

  • A inferência é mais defensável quando a decisão é enquadrada antes da escolha dos modelos.
  • Sinais candidatos devem sobreviver a perturbações admissíveis antes de serem promovidos.
  • A síntese entre famílias deve descontar a dependência compartilhada e preservar o conflito.
  • A probabilidade só se torna relevante para a decisão quando ligada ao impacto e a uma trilha auditável.

Programa empírico aberto

  1. 01Testar se a persistência entre janelas melhora o desempenho fora da distribuição.
  2. 02Estimar quais conjuntos de perturbações melhor separam estrutura de artefatos de amostra.
  3. 03Medir como dados compartilhados e viés indutivo devem descontar a convergência.
  4. 04Comparar um modelo único, um ensemble homogêneo, um sistema centrado em ontologia e a máquina completa em dados reservados.

Áreas de pesquisa

Onde a ciência de dados genérica para.

  • Dinâmica da incerteza

    Como a incerteza evolui, se acumula e colapsa à medida que a evidência chega.

  • Contaminação de risco

    Como o estresse se transmite entre os componentes de sistemas interconectados.

  • Propagação temporal de decisões

    Como as consequências de uma decisão se desdobram no tempo e realimentam o sistema.

  • Interações não lineares

    Variáveis cujo comportamento conjunto não pode ser lido a partir de seus efeitos individuais.

  • Confiança computacional

    Quando uma inferência conquistou o direito de embasar uma decisão, e quando ela expirou.

  • Calibração e auditabilidade

    Probabilidades que permanecem honestas frente aos resultados observados, com uma linhagem que um revisor consegue seguir.

Notas de pesquisa

Novidades do programa de pesquisa.

Colabore com o programa empírico.

Falar com o time de pesquisaExperimentos