Edugraph? Waar is het goed voor?
De laatste dertig jaar zijn netwerken naast de formele logica en klassieke wiskunde steeds een grotere rol gaan spelen in de wetenschappelijke analyse. Toevallig is dat ook de periode waarin het Internet populair werd. Maar in feite stuitte de klassieke wiskunde al op haar grenzen aan het begin van vorige eeuw. Einstein gebruikte een vier-dimensionale geometrie voor zijn relativiteitstheorie, de euclidische meetkunde met drie dimensies volstond niet. Hij voegde er de dimensie tijd aan toe. Ook bij de analyse van causaliteit speelt tijd een centrale rol. Het is verwonderlijk dat de logica voor causaliteit zo lang in de schaduw is gebleven. Waarom volstond de formele logica en de klassieke wiskunde niet? Fundamenteel omwille van twee redenen. Ten eerste omdat ze uitgaan van een binaire visie op de realiteit. In de formele logica is iets waar of vals. De uitgesloten derde is natuurlijk handig voor bewijzen uit het ongerijmde, maar de formele logica en klassieke wiskunde werken alleen maar goed voor gesloten systemen. Ze schieten tekort als ze netwerken moeten beschrijven.
Aanvankelijk beperkte ook de informatica zich tot binaire relaties. Data moesten in relationele databanken eerst genormaliseerd worden om te kunnen verwerkt worden. Die normalisatie herleidde heterogene data tot tabellen van eenduidige relaties tussen de datasleutel en de overige gegevens. Maar eens relaties complex worden, bijvoorbeeld in een semantisch netwerk, werkt dat niet meer. De relaties binnen een netwerk zijn ternair, niet binair. Binaire relaties kunnen weergegeven worden door duplets. In netwerken gebruikt men triplets: a → b. Het voordeel van die triplets is dat ze enorm uitbreidbaar zijn en zo toch een complexe realiteit wel goed weten te beschrijven zonder het harnas van de herstructurering van de oorspronkelijke data. Het is geen toeval dat XML, AI, neuronale netwerken en LLM werken met triplets. Het was de enige oplossing die tot resultaten leidde.
De tweede reden waarom de klassieke wiskunde tekort schiet is omdat ze wel goed over weg kan met homogene data maar al gauw in de problemen komt bij heterogene data. In de ecologie bijvoorbeeld stuitte Robert E. Ulanowicz op dat probleem nadat hij eerst lang had geprobeerd om ecologische netwerken te analyseren met klassieke wiskunde. Het werkte niet. Te veel heterogeniteit. Dat probleem deed zich ook voor in de biologie, genetica, neurologie, geografie en tal van andere wetenschappen. Daar duiken ook meer en meer netwerken op.
De bouwsteen van een netwerk is een graaf. En om grafen te visualiseren kan Edugraph gebruikt worden. Tevens genereert het van die grafen telkens ook een bogenmatrix, ‘adjacency matrix’ in academisch latijn De bogenmatrix slaat de brug naar de klassieke wiskunde. Het is een wiskundige representatie van grafen. Intern in computerprogramma’s worden die matrixen gebruikt voor de verwerking. In neurale netwerken zijn die gigantisch.
Edugraph is bedoeld als inleiding voor netwerk analyse voor het secundair onderwijs. Het kan daar bijdragen tot de demystificatie van AI. Op academisch niveau is het bruikbaar voor het weergeven van interdisciplinair onderzoek.Als voorbeeld geldt de taalverwerving van de homo sapiens, waarin zowel genetica, biologie, neurologie, klankleer, linguïstiek als antropologie aan bod komen. Echter omdat de collectie en verwerking van data verschilt van discipline tot discipline worden in de verschillende wetenschappelijke disciplines andere software programma’s gebruikt. In de ecologie bijvoorbeeld wordt Ecopath gebruikt. Hier kan je zien dat er al heel wat projecten mee zijn gerealiseerd. In de Wikipedia vind je een overzicht van de verschillende sofware toepassingen die gebruikt worden in verschillende disciplines.
De drie belangrijkste pluspunten van Edugraph zijn dat het beelden en HTML links kan integreren in grafen. Om dat te doen kan je enkel terecht bij dure commerciële pakketten. Bovendien is er niet veel voorafgaande kennis voor nodig. Een intuïtief begrip van netwerken volstaat. Men heeft geen nieuwe hardware nodig. Zelfs eenvoudige AI-tools zijn veeleisend. Zie bijvoorbeeld PuppyGraph. Het is direct toegangkelijk voor zowel studenten in de humane als in kunst richtingen. Het kan ook gebruikt worden in het technisch en het beroeps onderwijs. Zo kan wetenschap dan toch visuaal aan bod komen zonder uitgebreide kennis van wiskunde. Nog een voordeel, je kan het programma offline gebruiken. Geen interneterbinding nodig.
Een extra doelstelling naast de introductie van netwerken is de demystificatie van AI en LLM. Niet door het onder vuur te nemen maar door er kritisch mee te leren omgaan. In het voorbeeld 'Van Tekst naar Kennis Graaf' staat uitgelegd hoe je LLM positief kan gebruiken zonder er de slaaf van te worden. Bij een van de nodes staat een uitgewerkt voorbeeld om LLM zodanig een tekst te laten structureren, zodat je er een kennis graaf van kan maken. Zie deze link
Referenties
Alkharashi M. Comparing experiential versus conventional learning on knowledge retention for teaching surgery to medical graduates. Saudi J Ophthalmol. 2020 Dec 28;34(2):107-110. doi: 10.4103/1319-4534.305042. PMID: 33575531; PMCID: PMC7866721 <https://pmc.ncbi.nlm.nih.gov/articles/PMC7866721/>.
Bahdanau, Dzmitry; Cho, Kyunghyun; Bengio, Yoshua (19 May 2016). "Neural Machine Translation by Jointly Learning to Align and Translate". arXiv:1409.0473 [cs.CL] <https://arxiv.org/abs/1409.0473>.
Belli, Stefano R., Robert D. Rogers, Jennifer Y.F. Lau, Adult and adolescent social reciprocity: Experimental data from the Trust Game, Journal of Adolescence, Volume 35, Issue 5, 2012, Pages 1341-1349, ISSN 0140-1971, https://doi.org/10.1016/j.adolescence.2012.05.004. (https://www.sciencedirect.com/science/article/pii/S0140197112000814).
Dahlström, Erik et al, (2011) Scalable Vector Graphics (SVG) 1.1 (Second Edition), W3C Recommendation 16 August 2011, <https://www.w3.org/TR/2011/REC-SVG11-20110816/>
Daigavane, Balaraman Ravindran, Gaurav Aggarwal, 2021, Understanding Convolutions on Graphs, Google Research, Published Sept. 2, 2021, DOI: 10.23915/distill.00032, <https://distill.pub/2021/understanding-gnns/>.
Jawed S, Amin HU, Malik AS, Faye I. Classification of Visual and Non-visual Learners Using Electroencephalographic Alpha and Gamma Activities. Front Behav Neurosci. 2019 May 7;13:86. doi: 10.3389/fnbeh.2019.00086. PMID: 31133829; PMCID: PMC6513874. <https://pmc.ncbi.nlm.nih.gov/articles/PMC6513874/>
Ladkin, Bernard (2018), Causal Analysis of Incidents with Why-Because Analysis using the SERAS® , Software Toolkit, CAUSALIS Ingenieurgesellschaft mbH, 2008, revised 2018-02-14, <https://rvs-bi.de/research/WBA/WBA-NewIntro20180214.pdf>
Levonian, E. Auditory and visual retention in relation to arousal. AVCR 16, 57–62 (1968). https://doi.org/10.1007/BF02768681, <https://link.springer.com/article/10.1007/BF02768681>
Lewis, David, (2004), “Causation as Influence” (expanded version), in Collins, Hall, and Paul 2004, 75–106, <https://www.andrewmbailey.com/dkl/Causation_As_Influence_long.pdf>
Menzies, Peter, (2019), Counterfactual Theories of Causation, 29 October 2019, Stanford Encyclopedia of Pholosophy, <https://plato.stanford.edu/entries/causation-counterfactual/>
Reed, Stephen K. (2012). Cognition : theories and applications. Wadsworth, Cengage Learning, 12 April 2012, ISBN 978-1-133-49228-3. OCLC 1040947645, <https://www.worldcat.org/nl/title/1040947645>
Roark CL, Lescht E, Hampton Wray A, Chandrasekaran B. Auditory and visual category learning in children and adults. Dev Psychol. 2023 May;59(5):963-975. doi: 10.1037/dev0001525. Epub 2023 Mar 2. PMID: 36862449; PMCID: PMC10164074.
Rottman BM, Hastie R. Reasoning about causal relationships: Inferences on causal networks. Psychol Bull. 2014 Jan;140(1):109-39. doi: 10.1037/a0031903. Epub 2013 Apr 1. PMID: 23544658; PMCID: PMC3988659. <https://pmc.ncbi.nlm.nih.gov/articles/PMC3988659/>.
Runge, Jakob, et al. , (2019), Detecting and quantifying causal associations in large non-linear time series datasets. Sci. Adv.5,eaau4996 (2019). DOI: <https://www.science.org/doi/10.1126/sciadv.aau4996>
Sanchez-Lengeling, Benjamin, Emily Reif, Adam Pearce, Alexander B. Wiltschko, 2021, A Gentle Introduction to Graph Neural Networks, Google Research, Published Sept. 2, 2021, DOI 10.23915/distill.00033, <https://distill.pub/2021/gnn-intro/>.
Schürmann, Tim, (WBA) 'Counterfactual Test’, Workgroup RVS, Faculty of Technology, Bielefeld University) <https://rvs-bi.de/research/WBA/IntroWBA-ENG.pdf>
Stepanov, Alexander (1985), Towards a Theory of Causal Implication, Department of Electrical Engineering and Computer Science, Polytechnic University of New York, 1985, <http://stepanovpapers.com/TOWARDS%20A%20THEORY%20OF%20CAUSAL%20IMPLICATION.pdf>
van Benthem, Johan, (IEP), Modal Logic: A Contemporary View, University of Amsterdam, Stanford University, and Tsinghua University, The Netherlands, U. S. A., and China, <https://iep.utm.edu/modal-lo/>
Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N; Kaiser, Łukasz; Polosukhin, Illia (December 2017). "Attention is All you Need" (PDF). In I. Guyon and U. Von Luxburg and S. Bengio and H. Wallach and R. Fergus and S. Vishwanathan and R. Garnett (ed.). 31st Conference on Neural Information Processing Systems (NIPS). Advances in Neural Information Processing Systems. Vol. 30. Curran Associates, Inc. arXiv:1706.03762 <https://papers.nips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf>.
Wielemaker, J. (2005). An Optimised Semantic Web Query Language Implementation in Prolog. In: Gabbrielli, M., Gupta, G. (eds) Logic Programming. ICLP 2005. Lecture Notes in Computer Science, vol 3668. Springer, Berlin, Heidelberg. <https://doi.org/10.1007/11562931_12>.