How Do We Organize Knowledge About Reality? - Facts, Models, Interpretation, and AI

 Knowledge approaches reality through layers of observation, evidence, models, and interpretation, each preserving some relations while leaving others out.

How Do We Organize Knowledge About Reality? - Facts, Models, Interpretation, and AI

Explore how facts, evidence, models, interpretations, and AI can be organized without confusing representation with reality.

Why Does Knowledge Need More Than Facts?

Reality does not arrive already divided into facts, variables, causes, and explanations. Events occur, but human beings must observe them, describe them, record them, and decide which distinctions matter.

A fact is not identical to the event to which it refers. An event occurs in the world, while a factual statement makes a claim about that event. The event and the statement must remain distinguishable because the statement can be accurate, incomplete, ambiguous, or false.

Evidence is also different from a fact. A photograph, measurement, testimony, document, or physical trace may support a claim, but its relevance depends on what is being asked and how the material was produced.

Data are structured records created through procedures. A temperature value depends on a measuring instrument, a unit, a location, a time, and a method of calibration. Without this context, the number remains difficult to interpret.

The phrase “raw data” can therefore be misleading if it suggests information untouched by human or technical decisions. Even before analysis begins, decisions have been made about what to measure, how to classify it, and which observations to retain.

None of this means that facts are arbitrary or that reality is created by language alone. It means that knowledge requires a traceable path between an event, the evidence left by it, and the claim made about it.

Knowledge architecture begins by preserving these distinctions. It asks not only whether information exists, but what kind of information it is and what relation it bears to reality.

How Does Observation Become a Model?

Observation is selective because no instrument or observer can register every property of a phenomenon at once. A microscope, questionnaire, satellite, archive, and economic indicator each make some features visible while excluding others.

The resulting records must be organized. Units are standardized, categories are defined, errors are estimated, missing values are marked, and observations are placed within temporal or spatial relations.

Patterns can then be identified within the data. A pattern is not automatically a cause. Repetition, correlation, sequence, and similarity can suggest relationships that require further testing.

A model gives selected relationships an explicit form. It may use equations, diagrams, simulations, classifications, physical structures, or verbal descriptions to represent aspects of a target system.

Models are built for purposes. A weather model may support short-term forecasting, a map may guide travel, and an epidemiological model may estimate how outcomes change under specified assumptions. Each purpose determines which details are emphasized.

A useful model does not need to reproduce every feature of its target. A map that copied every stone and leaf would cease to function as a practical map. Its omissions are not necessarily defects if they correspond to its purpose.

The danger begins when a model’s boundaries disappear from view. A model that works under one set of conditions may fail under another, and a variable that is useful for calculation may not capture the full reality of the phenomenon it represents.

Where Does Interpretation Begin?

Interpretation does not begin only after all facts have been collected. It already enters when a question is chosen, a category is defined, a measurement is treated as relevant, or one comparison is preferred over another.

This does not make disciplined inquiry impossible. It makes assumptions visible as part of the work. A conclusion becomes stronger when another person can identify the assumptions, examine the evidence, and test an alternative explanation.

It is useful to distinguish several layers. Observation reports what was detected. Evidence indicates what supports a claim. A model represents selected relations. An inference moves from evidence toward a conclusion. Interpretation explains what that conclusion means within a wider context.

These layers can interact, but they should not collapse into one another. A simulation output is not an observation, a correlation is not automatically a cause, and an interpretation is not a direct measurement.

Values enter when people decide what deserves investigation, what level of risk is acceptable, which outcome should be prioritized, or how uncertainty should guide action. Evidence can constrain these decisions without making every value judgment on our behalf.

A reliable structure therefore marks both connection and boundary. It shows how a conclusion was reached while preventing the authority of one layer from being transferred without justification to another.

How Can Knowledge Remain Correctable?

A knowledge system becomes fragile when it preserves conclusions but loses the path by which they were produced. Without sources, methods, dates, versions, and assumptions, later readers cannot determine what should be trusted or revised.

Provenance records where a document, dataset, quotation, or model came from and how it changed. Provenance does not prove that the material is true, but it makes evaluation and responsibility more possible.

Metadata provide information about information. They can identify authorship, date, format, measurement units, access conditions, licensing, subject categories, and relations to other resources.

The FAIR principles encourage scientific data and metadata to be findable, accessible, interoperable, and reusable. These qualities can support research and verification, but FAIR data can still contain error, bias, or unethical collection.

Version history also matters. A corrected conclusion should not silently replace an earlier one without preserving what changed and why. Revision becomes trustworthy when the path of correction remains visible.

Uncertainty must be represented rather than removed for appearance. Confidence intervals, error ranges, competing hypotheses, missing evidence, and unresolved disagreements are part of knowledge, not blemishes that should always be hidden.

A strong architecture is stable enough to preserve evidence and open enough to revise conclusions. It does not confuse durability with infallibility.

Where Should Artificial Intelligence Enter the Structure?

Artificial intelligence can search large collections, summarize documents, identify recurring expressions, compare records, and propose relationships that may be difficult for one person to notice.

These abilities operate on representations. An AI system does not gain direct access to the event merely because it has processed many descriptions of that event. It works with training data, prompts, retrieved materials, tools, and computational states.

A generated statement may reproduce a source accurately, combine several sources, infer beyond them, or create unsupported content. Fluency does not reveal which of these processes produced the sentence.

This is why an AI output should not be placed directly in the layer of verified fact. It belongs first in the layer of generated claim or candidate interpretation until its sources and reasoning have been examined.

AI systems can also generate citations that appear plausible but do not exist, attach a real source to an unsupported claim, or omit the conditions that limit a study. Verification must therefore test whether the source exists and whether it supports the particular sentence.

Risk frameworks such as the NIST AI RMF emphasize validity, reliability, transparency, accountability, explanation, safety, and context of use. No single characteristic guarantees trustworthiness, and the appropriate level of scrutiny depends on the consequences of error.

Human judgment is also not infallible. People misremember, overlook evidence, defend preferred conclusions, and accept authoritative language too quickly. The purpose of human review is not to replace a fallible machine with an infallible person, but to create multiple opportunities for detecting error.

A sound human–AI workflow separates generation from verification. AI may expand the field of possible connections, while sources, methods, domain knowledge, and critical comparison determine which connections deserve to remain.

What Would a Map of Reality Show?

A map of knowledge should show more than conclusions. It should reveal sources, evidence, methods, assumptions, models, interpretations, uncertainties, disagreements, and revision history.

It should also mark the type of every claim. A directly observed result, a statistical inference, a scholarly interpretation, a modern extension, and a creative metaphor do not possess the same evidential status.

Connections need labels. Two ideas may be linked by causation, correlation, analogy, historical influence, shared vocabulary, logical dependence, or simple proximity. Without the type of relation, a visible connection can create false understanding.

Absence also needs representation. Missing records, unmeasured variables, excluded testimony, unknown mechanisms, and unanswered questions are parts of the architecture because they define the limits of current knowledge.

No final map can contain reality in its entirety. New evidence may change boundaries, a new question may require another scale, and an excluded perspective may reveal that the existing categories were incomplete.

The purpose of knowledge architecture is therefore not to replace reality with one perfect system. It is to make the path from reality to representation sufficiently visible that claims can be understood, tested, and revised.

We approach reality more responsibly when we know not only what a statement says, but what kind of statement it is, where it came from, what supports it, what it leaves out, and what could prove it wrong.

References

Bowker, Geoffrey C., and Susan Leigh Star. ‘Sorting Things Out: Classification and Its Consequences’. MIT Press, 1999.

This book was used to examine how classification systems make some relations visible while embedding historical, institutional, and practical choices.

Box, George E. P. “Science and Statistics.” ‘Journal of the American Statistical Association’, vol. 71, no. 356, 1976, pp. 791–799. DOI: 10.1080/01621459.1976.10480949.

This article was used to support the distinction between the usefulness of a model and the claim that a model completely reproduces reality.

Giere, Ronald N. “How Models Are Used to Represent Reality.” ‘Philosophy of Science’, vol. 71, no. 5, 2004, pp. 742–752. DOI: 10.1086/425063.

This article was used to examine scientific representation as an activity in which models are used to represent selected aspects of the world for particular purposes.

Ji, Ziwei, et al. “Survey of Hallucination in Natural Language Generation.” ‘ACM Computing Surveys’, vol. 55, no. 12, 2023, article 248. DOI: 10.1145/3571730.

This review was used to examine unsupported or source-inconsistent content generated by natural-language systems. AI hallucination was distinguished from human perceptual hallucination.

Korzybski, Alfred. ‘Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics’. International Non-Aristotelian Library Publishing Company, 1933.

This book was used as the source of the distinction commonly summarized by the expression that a map is not the territory. The metaphor was not used to imply that every representation is false.

National Institute of Standards and Technology. ‘Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile’. NIST AI 600-1, 2024. DOI: 10.6028/NIST.AI.600-1.

This official profile was used to examine generative-AI risks, including confabulation, source verification, transparency, validity, reliability, and accountability.

National Institute of Standards and Technology. ‘Artificial Intelligence Risk Management Framework’. NIST AI 100-1, 2023. DOI: 10.6028/NIST.AI.100-1.

This framework was used to examine the governance, mapping, measurement, and management of AI risks and the multiple characteristics required for trustworthy AI systems.

Wilkinson, Mark D., et al. “The FAIR Guiding Principles for Scientific Data Management and Stewardship.” ‘Scientific Data’, vol. 3, 2016, article 160018. DOI: 10.1038/sdata.2016.18.

This article was used to verify the meanings of findability, accessibility, interoperability, and reusability. FAIR compliance was not treated as proof of accuracy or scientific validity.

World Wide Web Consortium. ‘PROV-O: The PROV Ontology’. W3C Recommendation, 30 April 2013.

This technical recommendation was used to examine provenance as structured information about the origins, activities, and agents associated with digital resources.

표상을 현실과 혼동하지 않으면서 사실, 증거, 모형, 해석과 인공지능을 어떻게 구조화할 수 있는지 살펴봅니다.

현실에 관한 지식을 어떻게 구조화할 것인가? -  사실, 모형, 해석, 인공지능

표상을 현실과 혼동하지 않으면서 사실, 증거, 모형, 해석과 인공지능을 어떻게 구조화할 수 있는지 살펴봅니다.

지식에는 왜 사실 이상이 필요할까?

현실이 이미 사실, 변수, 원인과 설명으로 구분되어 우리에게 도착하는 것은 아닙니다. 사건은 일어나지만 인간은 그것을 관찰하고, 기술하고, 기록하며, 어떤 구분이 중요한지 결정해야 합니다.

사실은 그것이 가리키는 사건과 동일하지 않습니다. 사건은 세계에서 일어나고, 사실 명제는 그 사건에 관한 주장을 제시합니다. 명제는 정확하거나, 불완전하거나, 모호하거나, 틀릴 수 있으므로 사건과 명제를 구분해야 합니다.

증거도 사실과 다릅니다. 사진, 측정값, 증언, 문서와 물리적 흔적은 주장을 뒷받침할 수 있지만, 그 관련성은 무엇을 묻고 있으며 자료가 어떻게 만들어졌는지에 따라 달라집니다.

데이터는 절차를 통해 만들어진 구조화된 기록입니다. 하나의 온도 값은 측정 장비, 단위, 장소, 시간과 교정 방법에 의존합니다. 이러한 맥락이 없으면 수치를 해석하기 어렵습니다.

따라서 ‘가공되지 않은 데이터’라는 표현이 인간이나 기술적 결정의 영향을 전혀 받지 않은 정보를 뜻한다면 오해를 일으킬 수 있습니다. 분석이 시작되기 전에도 무엇을 측정하고, 어떻게 분류하며, 어떤 관찰을 보존할지에 관한 결정이 이루어집니다.

그렇다고 사실이 자의적이거나 현실이 언어만으로 만들어진다는 뜻은 아닙니다. 지식에는 사건, 그 사건이 남긴 증거와 사건에 관해 제시된 주장 사이의 추적 가능한 경로가 필요하다는 뜻입니다.

지식 아키텍처는 이러한 구분을 보존하는 데서 시작합니다. 정보가 존재하는지만 묻지 않고, 어떤 종류의 정보이며 현실과 어떤 관계를 맺는지 묻습니다.

관찰은 어떻게 모형이 될까?

어떤 도구나 관찰자도 하나의 현상이 지닌 모든 속성을 동시에 기록할 수 없으므로 관찰은 선택적입니다. 현미경, 설문지, 위성, 기록보관소와 경제지표는 각각 일부 특성을 보이게 하고 다른 특성을 제외합니다.

그 결과로 얻은 기록은 조직되어야 합니다. 단위를 표준화하고, 범주를 정의하고, 오류를 추정하며, 결측값을 표시하고, 관찰을 시간적·공간적 관계 안에 배치합니다.

그런 다음 데이터에서 패턴을 찾을 수 있습니다. 패턴이 자동으로 원인이 되는 것은 아닙니다. 반복, 상관관계, 순서와 유사성은 추가 검증이 필요한 관계를 제안할 수 있습니다.

모형은 선택된 관계를 명시적인 형태로 나타냅니다. 방정식, 도표, 시뮬레이션, 분류, 물리적 구조 또는 언어적 설명을 사용하여 대상 체계의 일부 측면을 재현할 수 있습니다.

모형은 목적을 위해 만들어집니다. 기상 모형은 단기 예보를 지원하고, 지도는 이동을 안내하며, 역학 모형은 정해진 가정 아래에서 결과가 어떻게 달라지는지를 추정할 수 있습니다. 각각의 목적은 어떤 세부 사항을 강조할지 결정합니다.

유용한 모형이 대상의 모든 특성을 재현할 필요는 없습니다. 모든 돌과 나뭇잎을 복제한 지도는 실용적인 지도로 기능하지 못할 것입니다. 생략된 내용이 목적에 부합한다면 반드시 결함이 되는 것은 아닙니다.

위험은 모형의 경계가 보이지 않을 때 시작됩니다. 한 조건에서 작동한 모형이 다른 조건에서는 실패할 수 있으며, 계산에 유용한 변수가 자신이 나타내는 현상의 완전한 현실을 담지 못할 수도 있습니다.

해석은 어디에서 시작될까?

해석은 모든 사실을 수집한 뒤에만 시작되지 않습니다. 질문을 선택하고, 범주를 정의하며, 측정값을 관련 있는 것으로 취급하고, 하나의 비교를 다른 비교보다 우선할 때 이미 개입합니다.

이것이 규율 있는 탐구를 불가능하게 만들지는 않습니다. 전제를 작업의 일부로 드러내게 합니다. 다른 사람이 전제를 확인하고, 증거를 검토하며, 대안적 설명을 시험할 수 있을 때 결론은 더 강해집니다.

몇 개의 층위를 구분하면 도움이 됩니다. 관찰은 무엇이 감지되었는지를 보고합니다. 증거는 무엇이 주장을 뒷받침하는지를 나타냅니다. 모형은 선택된 관계를 재현합니다. 추론은 증거에서 결론으로 이동합니다. 해석은 그 결론이 더 넓은 맥락에서 무엇을 의미하는지 설명합니다.

이러한 층위는 상호작용할 수 있지만 하나로 합쳐져서는 안 됩니다. 시뮬레이션의 출력은 관찰이 아니고, 상관관계가 자동으로 원인이 되지 않으며, 해석은 직접적인 측정값이 아닙니다.

사람들이 무엇을 조사할 가치가 있다고 볼지, 어느 수준의 위험을 받아들일지, 어떤 결과를 우선할지, 불확실성 속에서 어떻게 행동할지를 결정할 때 가치가 개입합니다. 증거는 이러한 판단의 범위를 제한할 수 있지만 모든 가치 판단을 대신해 주지는 않습니다.

따라서 신뢰할 수 있는 구조는 연결과 경계를 함께 표시합니다. 결론에 이른 경로를 보여 주면서 한 층위의 권위가 정당한 근거 없이 다른 층위로 옮겨지는 것을 막습니다.

지식은 어떻게 수정 가능한 상태를 유지할까?

지식 체계가 결론만 보존하고 그 결론이 만들어진 경로를 잃으면 취약해집니다. 출처, 방법, 날짜, 판본과 전제가 없으면 이후의 독자는 무엇을 신뢰하고 수정해야 하는지 판단할 수 없습니다.

출처 이력은 문서, 데이터세트, 인용문 또는 모형이 어디에서 왔으며 어떤 변화를 거쳤는지 기록합니다. 출처 이력이 자료의 진실을 입증하지는 않지만 평가와 책임을 더욱 가능하게 합니다.

메타데이터는 정보에 관한 정보를 제공합니다. 작성자, 날짜, 형식, 측정 단위, 접근 조건, 사용허가, 주제 범주와 다른 자료와의 관계를 표시할 수 있습니다.

FAIR 원칙은 과학 데이터와 메타데이터가 발견 가능하고, 접근 가능하고, 상호운용 가능하며, 재사용 가능하도록 권고합니다. 이러한 특성은 연구와 검증을 지원할 수 있지만 FAIR 데이터에도 오류, 편향 또는 비윤리적인 수집이 포함될 수 있습니다.

판본의 이력도 중요합니다. 수정된 결론이 무엇이 왜 바뀌었는지를 보존하지 않은 채 이전의 결론을 조용히 대체해서는 안 됩니다. 수정의 경로가 보일 때 수정 행위도 신뢰를 얻습니다.

불확실성은 보기 좋게 만들기 위해 제거하지 말고 표시해야 합니다. 신뢰구간, 오차 범위, 경쟁 가설, 누락된 증거와 해결되지 않은 논쟁은 지식에서 감춰야 할 흠이 아니라 지식의 일부입니다.

강한 아키텍처는 증거를 보존할 만큼 안정적이고 결론을 수정할 만큼 열려 있습니다. 지속성을 오류 없음과 혼동하지 않습니다.

인공지능은 구조의 어디에 들어가야 할까?

인공지능은 대규모 자료를 검색하고, 문서를 요약하고, 반복되는 표현을 찾고, 기록을 비교하며, 한 사람이 발견하기 어려운 관계를 제안할 수 있습니다.

이러한 능력은 표상을 대상으로 작동합니다. AI 시스템이 하나의 사건에 관한 많은 설명을 처리했다고 해서 사건 자체에 직접 접근하는 것은 아닙니다. 훈련 데이터, 프롬프트, 검색된 자료, 도구와 계산 상태를 사용합니다.

생성된 문장은 출처를 정확하게 재현하거나, 여러 출처를 결합하거나, 출처의 범위를 넘어 추론하거나, 근거 없는 내용을 만들 수 있습니다. 문장의 유창함만으로 어떤 과정에서 생성되었는지를 알 수는 없습니다.

따라서 AI의 출력은 곧바로 검증된 사실의 층위에 배치해서는 안 됩니다. 출처와 추론을 검토하기 전에는 생성된 주장 또는 해석 후보의 층위에 속합니다.

AI 시스템은 존재할 것처럼 보이는 참고문헌을 만들어 내거나, 실제 출처를 그 출처가 뒷받침하지 않는 주장에 연결하거나, 연구 결과의 적용 조건을 생략할 수도 있습니다. 따라서 출처가 실제로 존재하는지와 특정 문장을 뒷받침하는지를 모두 검증해야 합니다.

NIST AI 위험관리체계와 같은 지침은 타당성, 신뢰성, 투명성, 책임성, 설명 가능성, 안전과 사용 맥락을 강조합니다. 어느 하나의 특성도 신뢰성을 단독으로 보증하지 않으며, 오류의 결과에 따라 필요한 검토 수준이 달라집니다.

인간의 판단에도 오류가 있습니다. 사람은 잘못 기억하고, 증거를 놓치며, 선호하는 결론을 방어하고, 권위 있게 들리는 언어를 너무 빨리 받아들입니다. 인간 검토의 목적은 오류가 있는 기계를 오류 없는 사람으로 교체하는 것이 아니라 오류를 발견할 기회를 여러 차례 만드는 데 있습니다.

건전한 인간·AI 작업 과정은 생성과 검증을 분리합니다. AI는 가능한 연결의 범위를 확장할 수 있지만 어떤 연결을 보존할지는 출처, 방법, 분야 지식과 비판적 비교를 통해 결정해야 합니다.

현실의 지도에는 무엇이 나타나야 할까?

지식 지도는 결론 이상을 보여 주어야 합니다. 출처, 증거, 방법, 전제, 모형, 해석, 불확실성, 논쟁과 수정 이력을 드러내야 합니다.

또한 모든 주장의 유형을 표시해야 합니다. 직접 관찰된 결과, 통계적 추론, 학술적 해석, 현대적 확장과 창작적 비유는 같은 근거 지위를 지니지 않습니다.

연결에는 관계의 종류를 표시해야 합니다. 두 생각은 인과관계, 상관관계, 유추, 역사적 영향, 공통 어휘, 논리적 의존 또는 단순한 근접성으로 연결될 수 있습니다. 관계의 종류가 없으면 눈에 보이는 연결이 잘못된 이해를 만들 수 있습니다.

부재도 표시해야 합니다. 누락된 기록, 측정하지 않은 변수, 배제된 증언, 알려지지 않은 기제와 답을 얻지 못한 질문은 현재 지식의 한계를 규정하므로 아키텍처의 일부입니다.

어떤 최종 지도도 현실 전체를 담을 수 없습니다. 새로운 증거가 경계를 바꾸고, 새로운 질문이 다른 척도를 요구하며, 배제되었던 관점이 기존 범주의 불완전성을 드러낼 수 있습니다.

따라서 지식 아키텍처의 목적은 하나의 완벽한 체계로 현실을 대체하는 데 있지 않습니다. 현실에서 표상으로 이어지는 경로를 충분히 드러내어 주장을 이해하고, 검증하고, 수정할 수 있게 하는 데 있습니다.

하나의 문장이 무엇을 말하는지뿐 아니라 어떤 종류의 문장인지, 어디에서 왔는지, 무엇이 뒷받침하는지, 무엇을 제외하는지, 무엇이 그 문장을 틀렸다고 입증할 수 있는지를 알 때 우리는 현실에 더 책임 있게 접근할 수 있습니다.

참고문헌

제프리 C. 보커, 수전 리 스타. ‘사물을 분류하기: 분류와 그 결과’. MIT 출판부, 1999.

분류 체계가 일부 관계를 보이게 하는 동시에 역사적·제도적·실천적 선택을 포함하는 방식을 검토하는 데 사용했습니다. 한글 서지명은 원서 제목을 옮긴 것입니다.

조지 E. P. 복스. “과학과 통계학.” ‘Journal of the American Statistical Association’, 제71권 제356호, 1976, 791–799쪽. DOI: 10.1080/01621459.1976.10480949.

모형의 유용성과 모형이 현실을 완전하게 복제한다는 주장을 구분하는 데 사용했습니다.

로널드 N. 기어리. “모형은 현실을 어떻게 재현하는가.” ‘Philosophy of Science’, 제71권 제5호, 2004, 742–752쪽. DOI: 10.1086/425063.

과학자가 특정한 목적을 위해 모형으로 세계의 선택된 측면을 재현하는 활동을 검토하는 데 사용했습니다.

지웨이 지 외. “자연어 생성의 환각에 관한 조사.” ‘ACM Computing Surveys’, 제55권 제12호, 2023, 논문 248. DOI: 10.1145/3571730.

자연어 생성 시스템이 만드는 근거 없거나 출처와 일치하지 않는 내용을 검토하는 데 사용했습니다. AI의 환각을 인간의 지각적 환각과 구분했습니다.

알프레드 코르지브스키. ‘과학과 정신건강: 비아리스토텔레스 체계와 일반의미론 입문’. 국제비아리스토텔레스도서출판사, 1933.

‘지도는 영토가 아니다’라고 요약되는 재현과 대상의 구분을 확인하는 원전으로 사용했습니다. 이 비유를 모든 표상이 거짓이라는 뜻으로 사용하지 않았습니다.

미국 국립표준기술연구소. ‘인공지능 위험관리체계: 생성형 인공지능 프로필’. NIST AI 600-1, 2024. DOI: 10.6028/NIST.AI.600-1.

생성형 AI의 컨파뷸레이션, 출처 검증, 투명성, 타당성, 신뢰성과 책임성에 관한 위험을 검토하는 공식 자료로 사용했습니다.

미국 국립표준기술연구소. ‘인공지능 위험관리체계’. NIST AI 100-1, 2023. DOI: 10.6028/NIST.AI.100-1.

AI 위험을 거버넌스, 맥락 설정, 측정과 관리의 과정에서 다루는 방법과 신뢰할 수 있는 AI에 필요한 복수의 특성을 검토하는 데 사용했습니다.

마크 D. 윌킨슨 외. “과학 데이터 관리와 보존을 위한 FAIR 지도 원칙.” ‘Scientific Data’, 제3권, 2016, 논문 160018. DOI: 10.1038/sdata.2016.18.

발견 가능성, 접근 가능성, 상호운용성과 재사용 가능성의 의미를 확인하는 데 사용했습니다. FAIR 원칙의 충족을 정확성이나 과학적 타당성의 증명으로 간주하지 않았습니다.

월드와이드웹 컨소시엄. ‘PROV-O: PROV 온톨로지’. W3C 권고안, 2013년 4월 30일.

디지털 자료와 관련된 기원, 활동과 행위자에 관한 정보를 구조적으로 표시하는 출처 이력 체계를 검토하는 데 사용했습니다. 한글 서지명은 공식 영문 제목을 옮긴 것입니다.

Previous Episode - The Cartography of Understanding: Why Does Knowledge Need a Map?

Related Label - Knowledge Architecture

Next Episode - Is My Data Profile the Same as Me? - Behavior, Representation, Inference, and Algorithmic Knowledge