Informations

Quelles sont les utilisations pratiques des ontologies ?

Quelles sont les utilisations pratiques des ontologies ?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

J'ai lu de nombreux articles et livres sur les ontologies, et j'essaie de comprendre comment elles sont utilisées dans un projet réel. Par exemple, comment définir et utiliser l'ontologie d'un robot footballeur avec une architecture cognitive afin de le rendre intelligent ?

Les ontologies sont-elles des relations entre les termes de ce domaine de connaissance (par exemple la relation entre le mot ballon et pied, et la définition des règles physiques et leur relation avec le mouvement du pied et du ballon) ou des relations entre tactiques, stratégies et différents mélanges de tactiques ?

Existe-t-il des exemples clairs d'utilisation d'ontologies dans des projets réels et de leur utilisation combinée avec les architectures cognitives comme ACT-R pour augmenter l'architecture cognitive ?


Question interessante. "Ontologie" est souvent utilisé de manière confuse et polyvalente, alors commençons par clarifier la terminologie très rapidement pour ceux qui ne sont pas familiers avec les différentes significations.

Que signifie « ontologie » ?

Largement, ontologie le champ est l'étude philosophique de l'être. Une ontologie est une méthode pour établir quels êtres ou entités peut existent (cf. l'épistémologie est de savoir si nous devons croire qu'ils existent), comment ils peuvent être regroupés, et les relations qu'ils peuvent avoir.

En informatique et en informatique, le terme « ontologie » est utilisé dans un sens apparenté, mais non identique, pour désigner des ensembles formellement définis de types, de propriétés et de relations entre eux. Pour répondre à votre question, les relations composent donc partie d'une ontologie, mais les ontologies ne comprennent pas des ensembles de relations et rien que des ensembles de relations. Depuis la page Wikipédia :

Une ontologie est une description (comme une spécification formelle d'un programme) des concepts et des relations qui peuvent exister formellement pour un agent ou une communauté d'agents. Cette définition est cohérente avec l'utilisation de l'ontologie comme ensemble de définitions de concepts, mais plus générale. Et c'est un sens différent du mot que son utilisation en philosophie. -- Tom Gruber, Vers des principes pour la conception d'ontologies utilisées pour le partage des connaissances.

(Gruber a mis à jour la définition en 2007, mais ce n'est pas si différent qu'une extension.)

Ontologies et ACT-R

ACT-R définit une ontologie de base avec les entités modules, tampons et modèles de correspondance, des façons de regrouper des entités au sein de leur type (par exemple, Perceptuel-moteur vs. modules de mémoire) et les relations entre eux.

Nous utilisons des ontologies pour faire abstraction de structures de données particulières. Les L'architecture cognitive ACT-R implique et spécifie à la fois une ontologie, et nous pouvons utiliser cette ontologie pour étendre ACT-R, ou faire parler ACT-R à d'autres architectures qui peut ne pas avoir de chevauchement de structure de données avec ACT-R. Oltramari et al. (2014) fournit un exemple concret (« réel » ?) approprié. Ils ont couplé ACT-R au système de gestion des connaissances SCOPE, où ils utilisent des ontologies concrètes des sciences de l'information afin d'étendre ACT-R pour utiliser des ontologies philosophiques abstraites.

En général, les modèles ACT-R n'utilisent que les connaissances nécessaires pour effectuer des tâches cognitives bien définies. Dans l'ensemble, ils peuvent être considérés comme des agents « monadiques », dont les bases de connaissances sont limitées, partiellement réutilisables et sporadiquement portables dans des conditions expérimentales. Au contraire, afin de reproduire le raisonnement contextuel de haut niveau et la reconnaissance des formes chez les humains, une grande quantité de connaissances de bon sens devrait être disponible pour l'ACTR : pour pallier ces limitations, nous proposons d'équiper ACT-R d'un module spécifique de traitement des ontologies [sens philosophique], c'est-à-dire des spécifications sémantiques d'un domaine ou d'une application donnée (Guarino, 1998) [sens informatique], qui sont généralement utilisés en combinaison avec des moteurs d'inférence pour le raisonnement déductif. Étant donné que le module déclaratif ACT-R prend en charge une sémantique relativement grossière basée sur des paires slot-valeur, et que le système procédural n'est pas optimal pour gérer efficacement des constructions logiques complexes, une extension spécifique est nécessaire pour rendre ACT-R apte à remplir les connaissances. des tâches cognitives intensives comme le raisonnement spatial basé sur le contexte. Par conséquent, nous avons conçu un module supplémentaire en tant que composant de passerelle entre l'architecture cognitive et un système de base de connaissances externe KBS, SCONE (Fahlman, 2006).

Les références

  • Oltramari, A., Vinokurov, Y., Lebiere, C., Oh, J., & Stentz, A. (mars 2014,). Système cognitif basé sur l'ontologie pour le raisonnement contextuel dans les architectures de robots. En 2014 AAAI Spring Symposium Series.

Les ontologies pertinentes aux interventions de changement de comportement : une méthode pour leur développement

Fond: Le comportement et le changement de comportement font partie intégrante de nombreux aspects du bien-être et de la durabilité. Cependant, la notification précise des interventions de changement de comportement et la synthèse des données probantes sur les interventions efficaces sont entravées par l'absence d'une terminologie scientifique commune pour décrire les caractéristiques des interventions. Les ontologies sont des cadres standardisés qui fournissent des vocabulaires contrôlés pour aider à unifier et connecter les domaines scientifiques. À ce jour, il n'y a pas de directives publiées sur les méthodes spécifiques requises pour développer des ontologies pertinentes pour le changement de comportement. Nous rapportons la création et le raffinement d'une méthode de développement d'ontologies qui constituent l'ontologie d'intervention pour le changement de comportement (BCIO). Objectifs : (1) Décrire la méthode de développement du BCIO et expliquer sa raison d'être (2) Fournir des conseils sur la mise en œuvre des activités dans le cadre de la méthode de développement. Méthode et résultats : La méthode de développement d'ontologies pertinentes pour les interventions de changement de comportement a été construite en tenant compte des principes de bonne pratique dans le développement d'ontologies et en identifiant les activités clés requises pour suivre ces principes. Les détails de la méthode ont été affinés par application au développement de deux ontologies. La méthode de développement d'ontologie résultante impliquait : (1) de définir la portée de l'ontologie (2) d'identifier les entités clés (3) d'affiner l'ontologie par le biais d'un processus itératif d'annotation, de discussion et de révision de la littérature (4) l'examen par les parties prenantes d'experts (5) le test entre les évaluateurs fiabilité (6) spécifier les relations entre les entités, et (7) diffuser et maintenir l'ontologie. Des conseils sont fournis pour la conduite des activités pertinentes pour chaque étape. Conclusion : Nous avons développé une méthode détaillée pour créer des ontologies pertinentes pour les interventions de changement de comportement, ainsi que des conseils pratiques pour chaque étape, reflétant les principes de bonnes pratiques dans le développement d'ontologies. Les aspects les plus novateurs de la méthode sont l'utilisation de mécanismes formels d'annotation de la littérature et d'examen par des experts pour développer et améliorer le contenu de l'ontologie. Nous suggérons le mnémonique SELAR3, représentant les six premières étapes de la méthode comme Portée, Entités, Annotation de la littérature, Revue, Fiabilité, Relations.

Mots clés: comportement changement de comportement études d'évaluation synthèse de preuves interventions ontologies.

Copyright : © 2020 Wright AJ et al.

Déclaration de conflit d'intérêts

Aucun intérêt concurrent n'a été divulgué.

Les figures

Figure 1.. L'ontologie d'intervention pour le changement de comportement…

Figure 1. L'ontologie d'intervention pour le changement de comportement v1.4 ( Michie et al. , 2020).

Figure 2.. Extrait du cadre d'intervention…

Figure 2.. Extrait de l'ontologie du cadre d'intervention (Norris et al. , 2020b) montrant…


Introduction

Des terminologies et des ontologies contrôlées sont indispensables à la biomédecine moderne [1]. L'ontologie était historiquement limitée à l'enquête philosophique sur la nature de l'existence, mais les logiciens au tournant du 20e siècle ont traduit le terme en une représentation précise de la connaissance en utilisant des énoncés qui mettent en évidence des qualités, des parties et des relations essentielles [2]. Au début des années 1970, des approches explicites de la représentation des connaissances ont émergé dans l'intelligence artificielle [3], et dans les années 1990 ont été baptisées ontologies en informatique [4]. Ces représentations ont été promues comme des schémas stables pour les données, une sorte de contenu orienté objet, afin de faciliter le partage et la réutilisation des données. Les ontologies ont depuis été intensivement utilisées pour la recherche en biomédecine, en astronomie, en sciences de l'information et dans de nombreux autres domaines. Les scientifiques biomédicaux utilisent des ontologies pour coder les résultats d'expériences et d'observations complexes de manière cohérente, et les analystes utilisent les données résultantes pour intégrer et modéliser les propriétés du système. De cette façon, les ontologies facilitent le stockage de données, le partage entre les scientifiques et les sous-domaines, l'analyse intégrative et le raisonnement informatique à travers beaucoup plus de faits que les scientifiques ne peuvent considérer avec les moyens traditionnels.

En plus de leur utilité computationnelle, les ontologies biomédicales clés servent de lingua franca : elles permettent à de nombreux chercheurs de négocier et de se mettre d'accord sur des concepts centraux spécifiques à un domaine et leurs interrelations hiérarchiques. Les concepts couramment modélisés avec les ontologies incluent les phénotypes d'organismes [5]–[7] et les fonctions des gènes en génétique et en génomique [1], [8] les signes, symptômes et classifications des maladies en médecine [9] espèces, noms de niche et inter-espèces relations en écologie et évolution [10]. La construction d'une ontologie dans l'un de ces domaines est confrontée à des défis similaires : l'absence d'une norme externe qui définit les concepts et les liens de concepts les plus critiques pour la fonction proposée par l'ontologie, un grand nombre d'alias faisant référence au même concept et aucun critère avec lequel comparer des terminologies concurrentes. Cet article considère les ontologies scientifiques en général, puis développe un cadre et valide une famille de mesures qui aident à surmonter ces défis.

Les ontologies appropriées, les ontologies de groupe et le texte libre

Le mot ontologie historiquement représenté le produit de l'enquête philosophique d'une personne sur la structure du monde réel : quelles entités existent ? Quelles sont leurs propriétés ? Comment sont-ils regroupés et hiérarchiquement liés ?

Bien que cette définition originale soit toujours valable en philosophie, l'interprétation informatique d'une ontologie est une structure de données typiquement produite par une communauté de chercheurs à travers une procédure qui ressemble au travail d'un comité de normalisation ou d'une négociation commerciale (L. Hunter, 2010, communication personnelle). Pour se mettre d'accord sur la signification des symboles partagés, le processus implique une conception soignée axée sur l'utilité. Les ontologies collectives qui en résultent sont destinées à être utilisées comme des outils pratiques, par exemple pour soutenir l'annotation systématique de données biomédicales par un grand nombre de chercheurs. Une ontologie standard spécifique à un domaine utilisée dans les sciences aujourd'hui comprend un ensemble de notions représentant des entités externes, un ensemble de rapports, généralement défini comme les prédicats d'instructions reliant deux concepts (tels que cat est un animal, chat a un queue), et taxonomie ou hiérarchie définie sur des concepts, constituée par l'union de relations. Une ontologie peut également représenter explicitement un ensemble de propriétés associées à chaque concept et des règles pour que ces propriétés soient héritées du concept parent au concept enfant. De plus, les ontologies formelles incorporent parfois des axiomes explicites ou des contraintes logiques qui doivent tenir dans le raisonnement logique sur les objets d'ontologie.

En pratique, ce que les différents groupes de recherche entendent par le terme ontologie peut aller de terminologies non structurées à des ensembles de concepts et de relations sans connexion complète dans une hiérarchie, à des taxonomies, à des ontologies formelles cohérentes avec des propriétés définies et des contraintes logiques.

Une ontologie développée par un groupe représente un aperçu des visions du monde spécifiques détenues au sein de ce groupe et de son domaine plus large. Par la même logique, on peut considérer l'union de tous les articles publiés produits par une communauté scientifique comme un beaucoup plus complet échantillon de visions du monde scientifiques. Alors qu'une équipe de recherche qui écrit un article conjoint s'accorde dans une certaine mesure sur sa vision du monde spécifique à un sujet, son ontologie de domaine collectif n'est ni explicitement définie, ni exempte de redondance et de contradiction. Dans la mesure où les scientifiques communiquent entre eux et répondent à des recherches antérieures publiées, cependant, ces visions du monde se propagent et atteignent une continuité et une homogénéité substantielles [11]. Une grande collection de documents scientifiques représente donc un mélange de visions du monde scientifiques partiellement cohérentes. Ce tableau est nécessairement compliqué par la souplesse et l'imprécision du langage naturel. Même lorsque les scientifiques s'accordent sur des concepts et des relations spécifiques, leurs expressions correspondantes diffèrent souvent, car le même sens peut être exprimé de plusieurs manières.

Néanmoins, si l'on admet que le dossier scientifique publié constitue la meilleure trace disponible des visions scientifiques collectives du monde, on arrive à la conclusion suivante : dans la mesure où une ontologie est destinée à représenter des connaissances dans un domaine scientifique, elle doit correspondre au dossier scientifique. De plus, une ontologie bénéficierait pratiquement d'une évaluation et d'une amélioration basée sur son adéquation avec un corpus de prose scientifique qui représente la distribution des visions du monde de ses utilisateurs (potentiels).

Travaux antérieurs sur l'évaluation d'ontologies

Les métriques précédemment proposées pour l'évaluation d'ontologies peuvent être divisées en quatre grandes catégories : cohérence (2) convivialité (ou performance basée sur les tâches), (3) Comparaison avec d'autres ontologies et (4) correspondre à la réalité. Bien que cette revue soit nécessairement abrégée, nous mettons en évidence les approches les plus significatives de l'évaluation des ontologies.

Métriques d'une ontologie la cohérence interne sont bien revus par Yu et ses collègues [12]. Ils mettent notamment en évidence : clarté, la cohérence, extensibilité, engagement ontologique minimal, et biais d'encodage minimal [4] compétence [13] cohérence, complétude, concision, extensibilité, et sensibilité [14]. Les noms de ces métriques suggèrent leurs objectifs. Par exemple, concision mesure combien de concepts et de relations uniques dans une ontologie ont plusieurs noms. Cohérence quantifie la fréquence à laquelle une ontologie inclut des concepts qui partagent des sous-concepts et le nombre d'erreurs de circularité.

Mesures d'une ontologie convivialité [15]–[17] s'appuient sur des outils empiriques issus des sciences cognitives qui évaluent la facilité avec laquelle les ontologies peuvent être comprises et déployées dans des tâches spécifiques [18]. Les résultats de ces études fournissent des suggestions concrètes pour améliorer les ontologies individuelles, mais ils sont aussi parfois utilisés pour comparer des ontologies concurrentes. Par exemple, Gangemi et ses collègues [19] ont décrit un certain nombre de mesures de profilage de la convivialité, tel que présence, montant, complétude, et fiabilité, qui évaluent le degré auquel les parties d'une ontologie sont mises à jour par les ontologues [19]. Les auteurs discutent également de l'ergonomie cognitive d'une ontologie : une ontologie idéale doit être facilement comprise, manipulée et exploitée par les utilisateurs auxquels elle est destinée.

Approches de l'ontologie Comparaison impliquent généralement 1) la correspondance directe des concepts d'ontologie et 2) l'arrangement hiérarchique de ces concepts, souvent entre une ontologie extraite et construite par calcul à partir de texte et une référence ou une ontologie de référence construite par des experts. La comparaison de concepts s'appuie sur les mesures de précision et de rappel d'information [12], [20], [21] (parfois appelées terme [22] ou lexical précision et rappel [22] voir la section Matériels et méthodes ci-dessous pour des définitions précises de la précision et du rappel). L'appariement des termes d'ontologie, cependant, soulève des questions difficiles sur l'ambiguïté du langage naturel et la relation imparfaite entre les termes et les concepts qui les sous-tendent. Certains ignorent ces défis en évaluant simplement la précision et le rappel sur la correspondance parfaite entre les termes. D'autres déploient des techniques de similarité de chaînes telles que le stemming ou la distance d'édition pour établir une correspondance approximative entre des termes d'ontologie similaires [23], [24].

Le deuxième aspect de l'appariement d'ontologies implique une grande variété de comparaisons structurelles. Une approche consiste à mesurer la Chevauchement taxonomique, ou intersection entre des ensembles de super- et sous-concepts associés à un concept partagé dans les deux ontologies, puis moyenné sur tous les concepts pour créer une mesure globale [23]–[25]. Un autre utilise ces ensembles de super et de sous-concepts pour construire des précision taxonomique et rappel mesures [26], étroitement liées à précision hiérarchique et rappeler [27], [28]. Une approche similaire crée une précision augmentée et rappel basé sur le chemin le plus court entre les concepts [29] ou d'autres types de chemins et un facteur de branchement [30]. Une approche alternative est la OntoRand index qui utilise une logique de clustering pour comparer des hiérarchies de concepts contenant des concepts partagés [31]. La proximité relative des concepts est évaluée en fonction des ancêtres communs ou de la distance de chemin, puis les hiérarchies sont partitionnées et les partitions de concepts sont comparées.

Approches pour faire correspondre une ontologie à la réalité sont plus diversifiées et dépendent actuellement fortement de la participation d'experts [12]. Par exemple, Missikoff et ses collègues [32] ont suggéré que la correspondance d'une ontologie avec la réalité soit évaluée en mesurant la fréquence d'utilisation de chaque concept d'ontologie par les experts de la communauté. L'objectif ultime de Missikoff et de ses collègues était de converger vers une ontologie consensuelle négociée entre les utilisateurs virtuels via une interface Web. Smith [33] a recommandé une approche de l'évolution des ontologies qui repose sur l'alignement explicite des termes d'ontologie sur des entités uniques au monde étudiées par les scientifiques. Les développeurs d'ontologies seraient alors tenus d'employer un processus de suivi manuel, par lequel de nouvelles découvertes sur les entités suivies guideraient les modifications correspondantes de l'ontologie. Dans un effort connexe, Ceusters et Smith ont suggéré d'étudier l'évolution des ontologies au cours du temps [34] : ils ont défini une calcul d'étalonnage d'ontologie qui suit les changements temporels dans l'ontologie à mesure que des concepts sont ajoutés, supprimés et redéfinis.

Une approche inverse pour faire correspondre les ontologies avec les connaissances du domaine apparaît dans les travaux qui tentent d'apprendre des ontologies automatiquement (ou avec une contribution modérée d'experts) à partir d'une collection de documents [35]–[38] en utilisant l'apprentissage automatique et le traitement du langage naturel. Les meilleurs résultats (F-mesure environ 0,3) indiquent que le problème est extrêmement difficile. Brewster et ses collègues [36], [39] ont proposé (mais n'ont pas mis en œuvre) des concepts d'appariement d'une ontologie déterministe à un corpus en maximisant la probabilité postérieure de l'ontologie étant donné le corpus [36], [39]. Dans ce cadre, des ontologies alternatives peuvent être comparées en termes de probabilité a posteriori conditionnée sur le même corpus. Leur idée centrale, qui partage notre propos mais diverge dans le détail, est que « l'ontologie peut être pénalisée pour des termes présents dans le corpus et absents dans l'ontologie, et pour des termes présents dans l'ontologie mais absents dans le corpus » (voir aussi [19]). Chacune de ces approches pour mapper les ontologies au texte fait face à des défis formidables associés à l'ambiguïté du langage naturel. Il s'agit notamment de la synonymie ou de plusieurs phrases avec la même polysémie de sens ou des expressions identiques avec des sens différents et d'autres disjonctions entre la structure des symboles linguistiques et leurs référents conceptuels.

En résumé, parmi les nombreuses approches développées pour évaluer la cohérence, l'utilisabilité, la comparaison et l'adéquation d'une ontologie à la réalité, les métriques qui évaluent la cohérence sont les plus matures parmi les quatre et ont inspiré un certain nombre d'applications pratiques [40]–[42] . L'approche que nous proposons et mettons en œuvre ici appartient aux domaines les moins développés de l'appariement des ontologies entre elles et du discours dans le monde. Lorsque l'on considère des approches qui comparent les ontologies entre elles et au discours, les métriques comparant les ontologies entre elles sautent de la comparaison de concepts individuels à la comparaison de hiérarchies de concepts entières sans tenir compte des relations intermédiaires de concept à concept. Ceci est remarquable parce que le discours n'exprime généralement que des concepts et des relations de concepts, et donc les mesures que nous développons se concentreront sur ces deux niveaux dans la mise en correspondance des ontologies avec le texte.

Notre objectif ici est de définir formellement les mesures de l'adéquation d'une ontologie par rapport aux connaissances publiées. Ce faisant, nous tentons de dépasser la tradition consistant à comparer les ontologies par taille et à nous appuyer sur des intuitions d'experts. Notre objectif est de rendre l'évaluation d'une ontologie calculable et de capturer à la fois l'étendue et la profondeur de sa représentation de domaine, sa couverture conceptuelle et la parcimonie ou l'efficacité de cette couverture. Cela nous permettra de comparer et d'améliorer les ontologies en tant que représentations de connaissances. Pour tester notre approche, nous avons initialement analysé quatre des ontologies médicales les plus couramment utilisées par rapport à un vaste corpus de résumés médicaux. Pour faciliter le test de plusieurs ontologies en référence à plusieurs domaines, nous avons également analysé sept dictionnaires de synonymes ou thésaurus ontologies légitimes si inhabituelles [43]— et comparé leur adéquation à trois corpus distinctifs : résumés médicaux, articles de presse et romans du XIXe siècle en anglais. .

Les ontologies médicales

Les ontologies médicales sont devenues importantes ces dernières années, non seulement pour les chercheurs en médecine, mais aussi pour les médecins, les hôpitaux et les compagnies d'assurance. Les ontologies médicales relient les concepts et les propriétés de la maladie dans un système cohérent et sont utilisées pour indexer la littérature biomédicale, classer les maladies des patients et faciliter la normalisation des dossiers hospitaliers et l'analyse des risques et des avantages pour la santé. Terminologies et taxonomies caractérisées par l'inclusion hiérarchique d'un ou de quelques types de relations (par exemple, disease_conceptX est un concept_maladieoui) sont souvent considérés poids léger ontologies et sont les plus utilisées en médecine [44], [45]. Poids lourd les ontologies capturent un plus large éventail de connexions biomédicales et contiennent des axiomes et des contraintes formels pour caractériser les entités et les relations propres au domaine. Ceux-ci deviennent de plus en plus populaires dans la recherche biomédicale, y compris le modèle fondamental d'anatomie [46] avec ses diverses relations physiques entre les composants anatomiques.

La première ontologie médicale largement utilisée était la Classification taxonomique des causes de décès de Jacques Bertillon, adoptée en 1893 par l'Institut international de statistique pour suivre les maladies à des fins de santé publique [47]. Cinq ans plus tard, lors d'une réunion de l'American Public Health Association à Ottawa, la classification Bertillon a été recommandée pour utilisation par les registraires de toute l'Amérique du Nord. Il a été adopté simultanément par plusieurs pays d'Europe occidentale et d'Amérique du Sud et mis à jour tous les dix ans. À la suite de la mort de Bertillon en 1922, l'Institut de statistique et la section santé de la Société des Nations rédigèrent des propositions de nouvelles versions et l'ontologie fut rebaptisée Liste internationale des causes de décès (CIM). En 1938, l'ICD est passé de la mortalité à la morbidité [48] et a finalement été adopté par les hôpitaux et les compagnies d'assurance à des fins de facturation. À peu près à la même époque, d'autres ontologies ont émergé, notamment le Quarterly Cumulative Index Medicus Subject Headings, qui a finalement donné lieu aux Medical Subject Headings (MeSH) que la National Library of Medicine du NIH utilise pour annoter la littérature de recherche biomédicale [49], [50 ]. En 1986, plusieurs ontologies médicales étaient largement utilisées et la National Library of Medicine a lancé le projet Unified Medical Language System (UMLS) afin de relier plusieurs d'entre elles pour faciliter la recherche d'informations et l'analyse intégrative [51]. L'ontologie de loin la plus fréquemment citée aujourd'hui en biomédecine est la Gene Ontology (GO), une taxonomie structurellement légère commencée en 1998 qui comprend maintenant plus de 22 000 entités que les biologistes utilisent pour caractériser les produits génétiques [52].

Thésaurus comme ontologie

Nous proposons de tester et d'évaluer davantage nos métriques d'ontologie en utilisant l'ajustement entre un dictionnaire de synonymes ou un thésaurus et un corpus. Un thésaurus est un ensemble de mots (concepts) reliés par synonymie et parfois antonymie. Parce que la synonymie constitue une est équivalent à relation (c'est-à-dire mot X est-équivalent-à-mot oui), les thésaurus peuvent être considérés comme des ontologies, bien que rudimentaires. De plus, comme un thésaurus donné est destiné à décrire la substitution de mots dans un domaine de langue, la relation entre un thésaurus et un corpus fournit un modèle puissant pour développer et tester des mesures générales de l'adéquation entre l'ontologie et le domaine de connaissance. Le plus utile pour nos besoins, l'équilibre entre la couverture théorique et la parcimonie est capturé avec le modèle de thésaurus : un thésaurus pléthorique de 100 000 mots n'est clairement pas supérieur à un avec 20 000 entrées efficacement adaptées à son domaine. Un écrivain utilisant le plus grand thésaurus serait non seulement gêné de devoir feuilleter des mots-clés plus non pertinents (les en-têtes de mots suivis de listes de synonymes), mais serait également défié de devoir éviter les synonymes inappropriés.

La synonyme est transitive mais pas nécessairement symétrique – le mot-clé est parfois plus général que son substitut. Parfois, les thésaurus incluent également des antonymes, c'est-à-dire est-le-contraire-de, mais moins de mots ont des antonymes et pour ceux qui en ont, les antonymes répertoriés sont beaucoup moins nombreux que les synonymes.

Un thésaurus typique diffère d'une ontologie scientifique typique. Alors que les ontologies incluent souvent de nombreux types de relations, les thésaurus n'en contiennent qu'un ou deux. Les thésaurus capturent la diversité naturelle des concepts mais ne sont pas optimisés pour la non-redondance et contiennent fréquemment des cycles. Deux mots échangeables, synonymes l'un de l'autre, constituent un cycle. En tant que tels, les thésaurus ne sont pas des structures cohérentes et rationnelles à travers lesquelles une inférence stricte et logique est possible. Ils représentent plutôt un large échantillon de choix linguistiques contradictoires qui représentent une combinaison d'association historique et de prédisposition neuronale. Malgré ces différences, nous pensons que les thésaurus sont des modèles perspicaces d'ontologies modernes spécifiques à un domaine. Travailler avec des thésaurus contribue aussi concrètement à évaluer l'adéquation entre ontologies et discours. Étant donné que toutes nos mesures dépendent du mappage des concepts de l'ontologie au texte, l'évaluation de la correspondance entre le thésaurus et le texte peut directement améliorer notre identification des concepts d'ontologie via la synonymie.


Quelle est la différence entre les ontologies de cybersécurité et les ontologies de scénario dans ce système ?

J'ai lu l'article Vers un système cognitif d'aide à la décision dans les cyberopérations. Et j'ai essayé de comprendre le rôle de deux ontologies proposées ici, ontologies de cybersécurité et ontologies de scénario.

J'ai posé une question sur CGS SE, Quelles sont les utilisations pratiques des ontologies ? et le rôle du ACT-R l'architecture de ce système sont devenues claires dans une certaine mesure, mais la question concernant les ontologies est la suivante :

Les ontologies de cybersécurité rendent-elles les idées du référentiel de TENA compréhensibles pour ACT-R ou les idées qui sont dans le référentiel doivent-elles être représentées par une ontologie appelée ontologies de cybersécurité afin d'être compréhensible pour le ACT-R architecture?

Le Système Cognitif réalisé dans le cadre TENA :

Les questions soulevées par cette figure peuvent être :

  1. Quelle est la différence entre le ontologies de cybersécurité et le ontologies de scénario?
  2. Quel genre de connaissance le ontologies de scénario représenter?
  3. Et bien sûr, quelle est la raison pour laquelle les ontologies de scénario sont connectées à Gestion des données d'événements module au lieu du Repo de TENA ?

Architecture ACT-R :

Architecture TENA :


Article de recherche original

Matthew John Yee-King * , Thomas Wilmering, Maria Teresa Llano Rodriguez, Maria Krivenski et Mark d'Inverno

Dans cet article, nous présentons une analyse de la rétroaction telle qu'elle se produit dans l'apprentissage des instruments de musique en classe et soutenu par la technologie. La rétroaction est la clé de l'apprentissage dans l'éducation musicale et nous avons développé une technologie basée sur des idées des médias sociaux et des annotations audio qui vise à rendre la rétroaction plus efficace. L'analyse ici vise à améliorer notre compréhension de la rétroaction induite par la technologie. Le résultat de cette analyse est trois ontologies décrivant la rétroaction et les systèmes de rétroaction. Dans un premier temps, nous avons développé le ontologie de l'enseignant utiliser une approche qualitative et observationnelle pour décrire les types de commentaires que les tuteurs d'instruments de musique donnent à leurs élèves. Nous avons utilisé cette ontologie pour éclairer la conception d'une plate-forme d'annotation musicale en ligne pour les étudiants en musique. Deuxièmement, nous développons le ontologie ancrée en utilisant une approche de théorie ancrée, basée sur 2 000 annotations faites par les étudiants et les tuteurs à l'aide de la plate-forme d'annotation. Nous comparons les ontologies fondées et celles des enseignants en examinant les caractéristiques structurelles, sémantiques et expressives. Grâce à cette comparaison, nous constatons que l'ontologie ancrée comprend des éléments de l'ontologie de l'enseignant ainsi que des éléments relatifs aux aspects pratiques et sociaux de la plate-forme d'annotation, tandis que l'ontologie de l'enseignant contient davantage de connaissances du domaine. Troisièmement, nous formalisons les capacités transactionnelles de la plate-forme dans la troisième ontologie, la ontologie de la plate-forme, que nous avons écrit dans le langage OWL, et montrer comment cela nous permet de développer plusieurs cas d'utilisation pratiques, y compris l'utilisation des capacités du Web sémantique dans des contextes d'éducation musicale.


Principes de conception du NIFSTD

Comme proposé initialement dans Bug et al. (2008), NIFSTD a été envisagé comme un ensemble étendu d'ontologies, spécifiques au domaine des neurosciences. NIFSTD a commencé son voyage avec un ensemble de principes soigneusement conçus qui ont permis à ses ontologies d'être au maximum réutilisables, extensibles et applicables dans la pratique dans les systèmes d'information. Au cours de son évolution, le NIFSTD a augmenté ses principes afin de se conformer aux tendances actuelles et actualisées et aux pratiques recommandées par les communautés du Web sémantique ainsi que par la communauté des ontologies biomédicales standard. NIFSTD suit de près les meilleures pratiques d'OBO Foundry (Smith et al., 2007). Cependant, les contraintes du projet NIF exigeaient que nous adoptions une approche pratique, conçue pour étendre facilement les ontologies NIFSTD, tout en atténuant les perturbations de le système NIF de production. Notre approche est décrite à la suite de la discussion du framework NeuroLex Semantic Wiki dans la section “The NeuroLex Semantic Wiki Framework.”

Structure modulaire NIFSTD

Les ontologies NIFSTD sont construites de manière modulaire, où chaque module couvre un domaine distinct et orthogonal des neurosciences (Bug et al., 2008). Les modules couverts par le NIFSTD comprennent l'anatomie, les types de cellules, les techniques expérimentales, la fonction du système nerveux, les petites molécules, etc. Les classes de niveau supérieur dans les modules NIFSTD sont soigneusement normalisées sous les classes d'ontologie formelle de base (BFO) 2 . Ces normalisations suivent de près les directives spécifiées dans le manuel BFO ​​(manuel BFO) 3 . Basé sur les principes décrits dans Rector (2003), le NIFSTD utilise une puissante technique de modularisation des ontologies qui permet à ses ontologies d'être réutilisables et facilement extensibles. Chaque domaine spécifié dans le tableau ​ Tableau1 1 a son module correspondant dans NIFSTD. Le module individuel peut à son tour couvrir plusieurs sous-domaines. La stratégie d'ingestion pour chaque source du tableau ​ Tableau1 1 est indiquée dans la colonne “Import/Adapt”, où “import” fait référence aux sources conformes BFO qui étaient déjà représentées dans OWL �pt” fait référence aux sources qui nécessitaient une refactorisation des vocabulaires sources en OWL, et/ou une normalisation requise sous les entités BFO.

Tableau 1

The NIFSTD OWL modules and corresponding community sources from which they were built.

NIFSTD modulesExternal sourceImport/adapt
Organismal taxonomyNCBI Taxonomy, GBIF, ITIS, IMSR, Jackson Labs mouse catalog the model organisms in common use by neuroscientists are extracted from NCBI taxonomy and kept in a separate module with mappingsAdapt
Molecules, chemicalsIUPHAR ion channels and receptors, sequence ontology (SO) NIDA drug lists from ChEBI, and imported protein ontology (PRO)Adapt/import
Sub-cellular anatomySub-cellular anatomy ontology (SAO). Extracted cell parts and sub-cellular structures from SAO-CORE. Imported GO cellular component with mappingAdapt/import
CelluleCCDB, NeuronDB, NeuroMorpho.org. Terminologies OBO cell ontology was not considered as it did not contain region specific cell typesAdapt
Gross anatomyNeuroNames extended by including terms from BIRNLex, SumsDB, BrainMap.org, etc. multi-scale representation of nervous system, macroscopic anatomyAdapt
Nervous system functionSensory, behavior, cognition terms from NIF, BIRN, BrainMap.org, MeSH, and UMLSAdapt
Nervous system dysfunctionNervous system disease from MeSH, NINDS terminology Imported Disease Ontology (DO) with mappingAdapt/import
Phenotypic qualitiesPhenotypic quality ontology (PATO) imported as part of the OBO foundry coreImporter
Investigation: reagentsOverlaps with molecules above from ChEBI, SO, and PROAdapt/import
Investigation: instruments, protocols, plansBased on the ontology for biomedical investigation (OBI) to include entities for biomaterial transformations, assays, data collection, data transformations. OBI-Proxi class still remains. See discussion belowAdapt
Investigation: resource typeNIF, OBI, NITRC, biomedical resource ontology (BRO)Adapt
Investigation: cognitive paradigmCognitive paradigm ontology (CogPO) was extended from NIF-investigation moduleImporter
Biological processGene ontology (GO) biological processImporter

This table reports the updates of the external sources that were previously used in Bug et al. (2008) paper.

NIFSTD representation formalism

NIFSTD modules are expressed in W3C standard Web Ontology Language (OWL) 4 Description Logic (OWL-DL) formalism. Using OWL-DL, NIFSTD provides a balance between its expressivity and computational decidability. OWL-DL also allows the NIFSTD ontologies to be supported by a range of open source DIG compliant reasoners (DIG Group) 5 such as Pellet and Fact++. NIFSTD utilizes these reasoners to maintain its inferred classification hierarchies as well as to keep its ontologies in a logically consistent state.

NIFSTD currently supports OWL 2 (OWL 2 Primer) 6 , the latest ontology language advocated by the W3C consortium. OWL 2 provides improved ontological features such as defining property chain rules to enable transitivity across object properties, specifying reflexivity, asymmetry, and disjointness between object properties, richer data-types, qualified cardinality restrictions, and enhanced annotation capabilities.

Accessing NIFSTD ontologies

NIFSTD is available in OWL format 7 for loading in Protégé (Protégé Ontology Editor) 8 or other ontology editing tools that use the OWL API. Protégé has been the main editing tool for building the NIFSTD modules. Currently, NIFSTD supports Protégé 4.X versions with OWL 2. On the web, NIFSTD is available through the NCBO BioPortal (NIFSTD in NCBO BioPortal) 9 , which also provides annotation and various mapping services. NIFSTD is also available in RDF and has its SPARQL endpoint (NIFSTD SPARQL endpoint) 10 .

Within NIF, NIFSTD is served through an ontology management system called OntoQuest (Gupta et al., 2008, 2010). Originally reported in Chen et al. (2006), OntoQuest generates an OWL-compliant relational schema for NIFSTD ontologies and implements various graph search algorithms for navigating, path finding, hierarchy exploration, and term searching in ontological graphs. OntoQuest provides a collection of web services to extract specific ontological content 11 . Ontoquest also provides the NIF search portal with automated query expansion (Gupta et al., 2010) for matching NIFSTD terms, including those that are defined through logical restrictions.

Reuse of external sources

One of the founding principles of NIFSTD is to avoid duplication of efforts by conforming to existing standard biomedical ontologies and vocabulary sources. It should also be noted that NIF is not charged with developing new ontological modules but relies on community sources for new contents. Whenever possible, NIFSTD reuses those existing sources as the initial building blocks for its core modules. Essentially, these external sources were selected based on their relevance to neuroscience knowledge models. Table ​ Table1 1 illustrates the modules in NIFSTD that are either adapted, or imported, or extracted from external community sources. NIFSTD reuses a diverse collection of sources for its ontologies. These sources range from fully structured ontologies to loosely structured controlled vocabularies, lexicons, or nomenclatures that exist within the biomedical community. Each module in NIFSTD (Table ​ (Table1) 1 ) integrates the relevant terms or concepts from those external sources into a single, internally consistent ontology with a matching standard nomenclature. The process and nature of reusing an external source in NIFSTD varied upon its state. The following rules summarize the basic reuse principles:

If the source is already represented in OWL, normalized under BFO, and is orthogonal to existing NIFSTD modules, the source is simply imported as a new module.

If the source is represented in OWL and orthogonal to NIFSTD modules, but is not normalized under BFO, then an ontology-bridging module (explained later) is constructed before importing the new source. These kinds of bridging modules declare the necessary relational properties to normalize the target ontology source under BFO.

If the source is orthogonal to NIFSTD modules, but is not represented in OWL, or does not use BFO as its foundational layer, then the source should be converted into OWL, and should be normalized under BFO following the Second rule above.

If the source is satisfiable by the above three principles but observed to be too large for NIF’s scope, then a relevant subset is extracted as suggested by NIF domain experts.

For the ontologies that are of type 4 above, NIFSTD currently follows MIREOT principles (Courtot et al., 2009) that allow extracting a required subset of classes from a large ontology, e.g., ChEBI, NCBI Organismal Taxonomy, etc.

Neuroscience Information Framework Project readily accepts contributions from groups working on ontologies in the neuroscience domain. For example, the Cognitive Paradigm Ontology (CogPO Turner and Laird, 2012), has been imported under the NIF-Investigation module. As we worked through the process of adopting CogPO, we needed to make sure that the upper-level classes in CogPO were BFO compliant and derivable under the same foundational layers of NIFSTD, and the properties were extended from OBO-RO. As part of NIFSTD, CogPO can be used to annotate datasets for specific querying and comparisons and the contents are exposed via NeuroLex for community involvement (see The NeuroLex Semantic Wiki Framework).

At the beginning of the NIF project, the size, format, or immaturity of some community ontologies necessitated that NIF add significant custom content in order to provide coverage in certain modules. Over the last couple of years, the tools for extracting relevant portions of ontologies and for converting ontologies from OBO to OWL format have been improved. Thus, since the last publication (Bug et al., 2008), several of these custom ontologies were swapped for community ontologies. However, it should be noted that the NIF-Investigation module still contains “OBI-proxy” classes that were originally meant to be replaced by the matured version of OBI under BFO 1.0. However, the matured version of OBI entailed many of the original OBI-proxy classes to be retired, changed their identifiers, and sometimes did not replace them by any new classes. As NIF-Investigation continued to add many new concepts under the original obi-proxy classes, directly importing the current OBI to replace the proxy classes was not a reasonable solution. However, we have proposed the NIF-Investigation terms to be added, aligned, and maintained within OBI. We plan to incorporate portions of OBI to be extracted under NIF-Investigation, for the future release of NIFSTD.

Single inheritance for named classes

An asserted named class in NIFSTD can have only one named class as its parent. However, the same named class can be asserted under multiple anonymous classes. This principle promotes the named classes to be univocal to avoid ambiguities. In NIFSTD, classes with multiple parents are derivable via automated classification on defined classes. This approach saves a great deal of manual labor and minimizes human errors inherent in maintaining multiple hierarchies. Also, this approach provides logical and intuitive reasons as to how a class may exist under multiple, different hierarchies. A useful example can be seen in Neuronal type classification in section 𠇎xample Knowledge Model: NIFSTD Neuronal Cell Types” where a particular neuron type can be a subclass of multiple different 𠇊nonymous” classes, e.g., Neuron X is a Neuron that has GABA as a neurotransmitter. The details about the motivation behind this approach can be found in Alan Rector’s Normalization pattern discussion (Ontology Design Pattern: Normalization) 12 .

Unique identifiers and annotation properties

NIFSTD entities are named by unique identifiers and are accompanied by a variety of annotation properties. These annotation properties are mostly derived from Dublin Core Metadata (DC) and the Simple Knowledge Organization System (SKOS) model. While several annotation properties still exist from the legacy modules of BIRNLex, from which NIFSTD was built (Bug et al., 2008), currently NIFSTD only requires the following set of annotation properties for a given new class.

rdfs: label – A human-readable name for a class or property. If a class can be named in multiple ways, a label is chosen based on the name most commonly used in literatures as selected by NIF domain experts. Other names for the class can be kept as synonyms.

nifstd: createdDate – The date when the current class or property was created. This property serves as a way to track versioning.

dc: contributor – Name of the curator who has contributed to the definition of a class.

core: definition – A natural language definition of a class. In ideal case, this definition should be written in a standard Aristotelian form.

nifstd: definitionSource – A traceable source for the current definition in a free text form. A source could be a URI, an informal publication reference, a PubMed ID, etc.

owl: versionInfo – A version number associated with NeuroLex category.

The following set of properties is used when necessary:

nifstd: modifiedDate – The date when the current class was last updated.

nifstd: synonym – A lexical variant of the class name.

nifstd: abbreviation – A short name serving as a synonym, consisting of a sequence of letters typically taken from the beginning of words of which either the preferred label or another synonym are composed. Note that this should only be used for standard abbreviation (i.e., those that are commonly used in literatures, e.g., in a PubMed indexed article) 13 . Many of the abbreviations supplied are actually acronyms, but we no longer distinguish between the two.

rdfs: comment – Anything related to the class or the property that should be noted.

For the current versions of Protégé, the above properties can be set as the default set of properties for NIFSTD. NIFSTD has other annotation properties associated with version control which will be described in Section “Versioning policy.” When extracting external sources using MIREOT principles, NIFSTD keeps the identical source URIs along with the original identifier fragments unaltered. This approach allows NIF to avoid extra mapping efforts with the community sources. Prior to the MIREOT approach, the practice was simply to assign new class ID for any externally sourced classes which led to maintenance difficulty due to too many mapping annotations. We still have some mappings from the BIRNLex vocabularies, as we did not have the MIREOT tool when we started.

NIFSTD object properties

NIFSTD imports the OBO Relations Ontology (OBO-RO) for the standard set of properties as defined by the OBO Biomedical community. Other object properties in NIFSTD are mostly derived from OBO-RO. Based on where the relations are asserted, there are two kinds of relations that exist in NIFSTD: one that are within a same module, i.e., intra-modular relations, and the other that is inter-modular, cross-domain relations that exist as a separate, isolated module between two independent modules.

The intra-modular relations are the ones that exist as universally true within the classes of a specific module these relations are kept integrated together within the same module. The relations between entities that could vary based on a specific application and require domain-dependent viewpoints are kept in a separate bridging module – a module that only contains logical restrictions and definitions on a required set of classes assigned between multiple modules (see Figure ​ Figure1 1 ).

Two example bridging OWL modules in NIFSTD (rectangular boxes) that contain class property associations between multiple core modules.

The bridging modules allow the core domain modules – e.g., anatomy, cell type, etc., to remain independent of one another. This approach keeps the modularity principles intact, and facilitates broader communities to utilize and extend NIFSTD with reasonable ease. Some of the bridge modules in NIFSTD are constructed in order to include simple semantic equivalencies between ontologies.

New bridging modules can be developed should a user desire a customized ontology of their own application domain based on one or multiple NIFSTD core modules. For example, the Neurodegenerative Disease Phenotype Ontology (NDPO Maynard et al., submitted) is essentially a bridge module that asserts a number of entity-quality relations (on classes in relevant NIFSTD modules) to specify and define a list of named phenotypes.

As the existing reasoners fail to scale against large ontologies like NIFSTD, modularity in NIFSTD plays an important role. From an ontology development perspective, it is crucial to frequently check the consistency after asserting any new set of classification along with their axioms. Since NIFSTD is divided into smaller independent modules, the task of automated classification and consistency checking becomes much more maintainable while working on a specific module of interest.

Versioning policy

NIFSTD provides various levels of versioning for its content. It allows humans and machine to choose the level of version information required for tracking changes. Various annotation properties are associated with versioning different levels of content, including creation and modified date for each of the classes and files, file level versioning for each of the modules, and annotations for retiring antiquated concept definitions, tracking former ontology graph position, and replacement concepts.

– NIFSTD: has Former Parent Class – the full logical URI of the former parent class of a deprecated class or any other class whose super-class has been changed. This property is typically used for a deprecated/retired class.

– NIFSTD: is Replaced By Class – the full logical URI of the new class that exists as the replacement of the current retired class. This property should only be used if there exist a new replacing class.

The umbrella file nif.owl at http://purl.org/nif/ontology/nif.owl always imports the current versions of the NIFSTD modules. All other versions after the 1.0 release can be accessed from the NIF ontology archive at http://ontology.neuinfo.org/NIF/Archive/.


Psychology in medicine

So, why is psychology important for medicine? This question hasn't been asked enough. Part of this may be due to the difference between psychologues et psychiatres.

The suffix “-iatry” refers to medical treatment, and as such, psychiatrists are medical doctors who have been through medical school and often practice in a hospital setting. Psychologists, on the other hand, don’t have this same type of training and often practice out of clinics or small practices. Psychologists are unable to prescribe drugs (in most jurisdictions), and thus may be seen as “less serious” than doctors and psychiatrists.

In the past, the negative perceptions of psychology within the medical establishment have hindered the spread of vital psychological training. But increasingly, medical schools are recognizing the importance of training future medical practitioners on psychological issues.

Using psychology in a normal medical practice

In a primary care setting, these skills are critical. Smoking, drug and alcohol abuse, eating disorders and obesity, depression, schizophrenia, mental disabilities, and the interactions of all these psychological issues are profoundly important for understanding and treating health issues in the general population.

Even specialists would do well to have a basic understanding of psychology and common psychiatric disorders. Due to the low importance put on these issues in the past, it’s likely that many patients who end up at specialists for one reason or another may have underlying, undiagnosed psychological conditions that are contributing to their health issues.

Preventative care

Perhaps one of the reasons that psychology has received short shrift in the past is the preventative nature of much psychiatric care. Medical doctors, more often than not, may only see psychiatric patients whose issues have progressed to causing harm to the body or serious disruption to normal functioning.

But preventative care—including psychological evaluation and treatment—is a priority for medical doctors as well. Patients provided with preventative care have better health outcomes with lower costs and less risk of complications and ongoing issues. Just because the issue is psychological does not mean preventative care is any less possible.

Fundamentals of psychology

For medical practitioners of all sorts, one critical issue is doctor-patient communication: how the transmission of potentially life-changing medical knowledge can best be handled. Even in low-stakes situations, understanding the psychology of a patient can provide key insights into the best motivations and methods for promoting their positive health. This is part of the bedside manner, and it’s generally an under-appreciated part of the field. Good communication skills are essential for medicine, and understanding psychology can truly help develop this talent.


Behavior change interventions: the potential of ontologies for advancing science and practice

A central goal of behavioral medicine is the creation of evidence-based interventions for promoting behavior change. Scientific knowledge about behavior change could be more effectively accumulated using “ontologies.” In information science, an ontology is a systematic method for articulating a “controlled vocabulary” of agreed-upon terms and their inter-relationships. It involves three core elements: (1) a controlled vocabulary specifying and defining existing classes (2) specification of the inter-relationships between classes and (3) codification in a computer-readable format to enable knowledge generation, organization, reuse, integration, and analysis. This paper introduces ontologies, provides a review of current efforts to create ontologies related to behavior change interventions and suggests future work. This paper was written by behavioral medicine and information science experts and was developed in partnership between the Society of Behavioral Medicine’s Technology Special Interest Group (SIG) and the Theories and Techniques of Behavior Change Interventions SIG. In recent years significant progress has been made in the foundational work needed to develop ontologies of behavior change. Ontologies of behavior change could facilitate a transformation of behavioral science from a field in which data from different experiments are siloed into one in which data across experiments could be compared and/or integrated. This could facilitate new approaches to hypothesis generation and knowledge discovery in behavioral science.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Santé

Psychology can also be a useful tool for improving your overall health. From ways to encourage exercise and better nutrition to new treatments for depression, the field of health psychology offers a wealth of beneficial strategies that can help you to be healthier and happier.


Mean Salaries of Different Types of Psychologists

-All data from the Bureau of Labor Statistics, May 2014

Type of PyschologistMean Salary

Psychology professors at universities or four-year colleges

Clinical psychologists at general medical and surgical hospitals

School psychologists at elementary and secondary schools

Management, scientific, and technical consultants

Overview of the Field

An overview of psychology as a field of study.


Voir la vidéo: Taxonomies, Ontologies, Knowledge Graphs, Oh My! (Août 2022).