docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,192 @@
|
||||
---
|
||||
id: wiki-2026-0508-interdisciplinary-research
|
||||
title: Interdisciplinary Research
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Cross-disciplinary Research, Transdisciplinary Methodology, AI-aided Synthesis]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [research-methodology, interdisciplinary, synthesis, llm-research, science]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: research-tooling
|
||||
---
|
||||
|
||||
# Interdisciplinary Research
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 단일 분과의 답 끝에서 진짜 문제는 시작된다"**. Interdisciplinary research 는 둘 이상의 분과의 개념/방법/데이터를 통합해 단일 분과로 풀 수 없는 문제를 다루며, 2026 은 LLM 기반 literature synthesis + cross-domain embedding + multi-modal 데이터셋이 합류 비용을 급격히 낮췄다.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 3 등급 (Stokes/OECD 분류)
|
||||
- **Multidisciplinary**: 분과들이 병렬로 기여, 통합 약함.
|
||||
- **Interdisciplinary**: 개념/방법이 실제 융합, 새 frame 출현.
|
||||
- **Transdisciplinary**: 학계 + 실무 + 시민이 공동 produce, 사회 문제 중심.
|
||||
|
||||
### 매 6 단계 워크플로
|
||||
1. **Problem framing**: 분과 중립 문장. 이해관계자 정의.
|
||||
2. **Concept mapping**: 분과별 용어 → 공통 개념지도.
|
||||
3. **Method portfolio**: 양적/질적/시뮬/모델 등 조합 선택.
|
||||
4. **Data fusion**: schema alignment, ontology mapping.
|
||||
5. **Synthesis**: cross-validation, conflicting evidence 협상.
|
||||
6. **Communication**: 청중별 (학계/정책/일반) 산출물 분리.
|
||||
|
||||
### 매 LLM 가속 포인트 (2026)
|
||||
- 광범위 literature → 분과별 요약 + 공통 개념 추출.
|
||||
- 용어 alignment (psychology "affect" ↔ ML "sentiment").
|
||||
- 데이터 schema mapping 초안.
|
||||
- conflicting findings 의 evidence table.
|
||||
- 다언어 (영/독/중/한) 동시 처리.
|
||||
|
||||
### 매 응용
|
||||
1. Climate × economics × policy.
|
||||
2. Neuroscience × ML × ethics.
|
||||
3. Public health × urban planning × CS.
|
||||
4. Material science × ML (자율 실험실).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 1. concept map (Mermaid)
|
||||
```mermaid
|
||||
graph LR
|
||||
A[Climate model output] --> B((Common: risk))
|
||||
C[Economic IAM] --> B
|
||||
D[Public-health DALY] --> B
|
||||
B --> E[Policy intervention space]
|
||||
```
|
||||
|
||||
### 2. ontology alignment (Python + rdflib)
|
||||
```python
|
||||
from rdflib import Graph, Namespace, URIRef
|
||||
g = Graph()
|
||||
PSY = Namespace("http://psy.example/")
|
||||
ML = Namespace("http://ml.example/")
|
||||
g.add((PSY.affect_valence, URIRef("http://www.w3.org/2002/07/owl#equivalentClass"), ML.sentiment_polarity))
|
||||
g.serialize("alignment.ttl", format="turtle")
|
||||
```
|
||||
|
||||
### 3. literature synthesis (LLM + RAG)
|
||||
```python
|
||||
# pseudo: vector DB across psychology + ML + economics corpora
|
||||
from qdrant_client import QdrantClient
|
||||
client = QdrantClient(url="...")
|
||||
hits = client.search(collection_name="multidomain",
|
||||
query_vector=embed("decision under uncertainty"),
|
||||
limit=40)
|
||||
# group by domain, pass to LLM with: "summarize per-domain, then synthesize"
|
||||
```
|
||||
|
||||
### 4. evidence table (CSV schema)
|
||||
```csv
|
||||
claim_id,claim,domain,study,n,effect_size,quality,conflicts_with
|
||||
C1,X reduces Y,economics,Smith2024,1200,-0.23,B,
|
||||
C2,X increases Y,psychology,Lee2025,80,0.41,B,C1
|
||||
C3,No effect,public-health,Park2026,5400,-0.02,A,C1;C2
|
||||
```
|
||||
|
||||
### 5. cross-domain embedding (sentence-transformers)
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
m = SentenceTransformer("intfloat/multilingual-e5-large")
|
||||
docs = ["psy: 'cognitive load increases under noise'",
|
||||
"ml: 'model accuracy drops with input perturbation'"]
|
||||
emb = m.encode(docs, normalize_embeddings=True)
|
||||
# cosine similarity 로 유사 개념 탐지
|
||||
```
|
||||
|
||||
### 6. methods portfolio matrix
|
||||
```markdown
|
||||
| Question | Quant survey | RCT | Sim model | Ethnography | LLM eval |
|
||||
|---------------------------|:-:|:-:|:-:|:-:|:-:|
|
||||
| Behavior under policy P | x | x | | x | |
|
||||
| Long-horizon system risk | | | x | | |
|
||||
| Stakeholder framing | | | | x | x |
|
||||
```
|
||||
|
||||
### 7. stakeholder co-design canvas
|
||||
```yaml
|
||||
problem: urban heat × low-income mortality
|
||||
stakeholders:
|
||||
- role: residents
|
||||
expertise: lived experience
|
||||
contribution: priorities, validation
|
||||
- role: epidemiologists
|
||||
contribution: exposure-response
|
||||
- role: urban planners
|
||||
contribution: intervention feasibility
|
||||
- role: ML researchers
|
||||
contribution: hyperlocal forecasting
|
||||
shared_artifact: dashboard + intervention playbook
|
||||
```
|
||||
|
||||
### 8. conflicting evidence reconciliation
|
||||
```python
|
||||
def reconcile(claims: list[dict]) -> dict:
|
||||
"""quality-weighted vote across domains, flag if disagreement > 0.4."""
|
||||
score = sum(c["effect"] * QUALITY[c["q"]] for c in claims)
|
||||
norm = sum(QUALITY[c["q"]] for c in claims)
|
||||
mean = score / norm
|
||||
spread = max(c["effect"] for c in claims) - min(c["effect"] for c in claims)
|
||||
return {"mean": mean, "spread": spread, "needs_followup": spread > 0.4}
|
||||
```
|
||||
|
||||
### 9. preregistration template (OSF)
|
||||
```markdown
|
||||
# Preregistration
|
||||
- Hypotheses: H1 ... H2 ...
|
||||
- Disciplines combined: economics, psychology
|
||||
- Methods per discipline: RCT (psy), DiD (econ)
|
||||
- Analysis pipeline: pre-specified Python notebook (commit hash a1b2c3)
|
||||
- Stop conditions: ...
|
||||
- Authorship + role (CRediT taxonomy)
|
||||
```
|
||||
|
||||
### 10. CRediT roles in commit metadata
|
||||
```bash
|
||||
git commit -m "feat: synthesis pipeline
|
||||
|
||||
CRediT-Roles: conceptualization (alice), methodology (bob),
|
||||
software (carol), formal-analysis (dan)"
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 단일 분과로 푸는 문제 | Disciplinary 유지 — 무리한 융합 금지 |
|
||||
| 두 분과 병렬 기여 | Multidisciplinary, 협업 가벼움 |
|
||||
| 개념/방법 통합 필요 | Interdisciplinary — concept map 필수 |
|
||||
| 사회적 시급, 실무자 필요 | Transdisciplinary, 공동 produce |
|
||||
| 문헌 폭주 | LLM RAG synthesis + evidence table |
|
||||
|
||||
**기본값**: concept map → method portfolio → preregistration → LLM-aided synthesis 순서.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Research-Methodology]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 분과별 literature 1차 요약, 용어 alignment, evidence table 초안, 다언어 자료 통합.
|
||||
**언제 X**: 인과 추정 / 통계 모델링 자체 — 사람 검토. 윤리/IRB 판단도 사람.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **분과 명사만 섞기 (jargon mash)**: 개념 통합 없이 용어만 — 의미 없음.
|
||||
- **단일 method 강제**: 모든 분과에 RCT 강요 → 부적합.
|
||||
- **stakeholder 후 영입**: 결론 다 나온 뒤 검토 받음 — co-design 무력.
|
||||
- **synthesis 없는 multidisciplinary**: 챕터 병렬 = interdisciplinary 가 아님.
|
||||
- **LLM 요약을 일차 자료로 인용**: 반드시 원문 확인 후 인용.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (OECD Frascati Manual, NSF SciSIP literature, Nature Interdisc 2026 reviews).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 6단계 워크플로 + LLM synthesis 패턴 |
|
||||
Reference in New Issue
Block a user