一种用于STM学术论文认知分类的新型库恩本体论
A Novel Kuhnian Ontology for Epistemic Classification of STM Scholarly Articles
AI总结：
针对现有研究评价依赖不透明滞后代理指标的问题，研究提出基于场景的KGX3模型用于STM学术论文的库恩式认知分类，证明了分类确定性，验证了其性能与治理机制，可提供传统方法无法获取的早期科研范式变化信号。
摘要：
尽管研究评价在规模上快速提升，但仍依赖不透明、滞后的代理指标。为服务科学界，我们追求透明度：可复现、可审计的认知分类，可用于资助与政策制定。本文将KGX3形式化为一种基于场景的模型，用于从研究论文中映射库恩阶段，证明了分类流水线的确定性，并定义了生成范式图谱的认知流形。我们报告了在近期语料库上的验证结果、全球规模下的运行复杂度，以及在保护核心知识产权的同时保留可解释性的治理机制。该系统能提供引文指标或基于引文的NLP无法获取的关于漂移、危机和转变的早期可操作信号。KGX3是自2019年以来开发的确定性认知引擎的最新迭代，其前身是Soph.io（2020年），后发展为iKuhn（2024年），并于2025年通过Preprint Watch进行了实地测试。
英文摘要：
Despite rapid gains in scale, research evaluation still relies on opaque, lagging proxies. To serve the scientific community, we pursue transparency: reproducible, auditable epistemic classification useful for funding and policy. Here we formalize KGX3 as a scenario-based model for mapping Kuhnian stages from research papers, prove determinism of the classification pipeline, and define the epistemic manifold that yields paradigm maps. We report validation across recent corpora, operational complexity at global scale, and governance that preserves interpretability while protecting core IP. The system delivers early, actionable signals of drift, crisis, and shift unavailable to citation metrics or citations-anchored NLP. KGX3 is the latest iteration of a deterministic epistemic engine developed since 2019, originating as Soph.io (2020), advanced as iKuhn (2024), and field-tested through Preprint Watch in 2025.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
