Shranjeno v:
| Glavni avtor: | |
|---|---|
| Format: | Recurso digital |
| Jezik: | |
| Izdano: |
Zenodo
2026
|
| Online dostop: | https://doi.org/10.5281/zenodo.18201260 |
| Oznake: |
Označite
Brez oznak, prvi označite!
|
Kazalo:
- <p>).</p> <h1><strong> MESURER SANS RACONTER</strong></h1> <h2>Cadre unifié pour l’analyse bottom-up des systèmes complexes</h2> <p><strong>Validité locale, mémoire, orientation temporelle et effets globaux</strong></p> <p><strong>Auteur :</strong> Kevin Fradier<br><strong>Date :</strong> Janvier 2026<br><strong>Licence :</strong> © 2026 Kevin Fradier — CC BY-NC-ND 4.0<br><strong>Statut :</strong> Publication de synthèse méthodologique — descriptive, testable, non interprétative</p> <h2>Résumé (ultra-dense)</h2> <p>Cette publication clôt un corpus de travaux proposant une <strong>famille d’instruments opérationnels</strong> permettant d’analyser des systèmes complexes <strong>sans postulat ontologique, sans récit causal et sans interprétation normative</strong>.</p> <p>Les outils présentés mesurent uniquement ce qui est <strong>statistiquement détectable</strong>, <strong>robuste sous perturbation</strong> et <strong>reproductible</strong>, en distinguant strictement :</p> <ul> <li>validité locale,</li> <li>mémoire systémique détectable,</li> <li>orientation temporelle émergente,</li> <li>cohérence collective,</li> <li>effets globaux non intégrés.</li> </ul> <blockquote> <p><strong>Principe central (verrouillé)</strong><br><strong>Les instruments présentés ne disent pas ce qui s’est passé.<br>Ils indiquent jusqu’où les données peuvent parler — et où elles se taisent.</strong></p> </blockquote> <h2>1. Positionnement commun (à tout le corpus)</h2> <p>Aucun des cadres suivants ne postule :</p> <ul> <li>cognition</li> <li>intention</li> <li>causalité forte</li> <li>temporalité globale</li> <li>direction normative</li> <li>finalité humaine</li> </ul> <p>Ils répondent tous à des <strong>questions instrumentales minimales</strong>, du type :</p> <ul> <li>Y a-t-il une structure détectable ?</li> <li>Persiste-t-elle sous bruit ?</li> <li>Est-elle locale ou agrégée ?</li> <li>Disparaît-elle sous contrôle aléatoire ?</li> <li>Le système peut-il détecter ses propres effets globaux ?</li> </ul> <h2>2. Les instruments (cartographie minimale)</h2> <h3> STaRS / ESE</h3> <p>Mesure de <strong>robustesse locale</strong>, de <strong>signal minimal</strong> et de <strong>limites interprétatives</strong>.<br>→ Ce que les données permettent d’affirmer <strong>sans récit</strong>.</p> <h3> Méta-test de mémoire systémique</h3> <p>Détection d’une <strong>trace statistique persistante de l’histoire locale</strong> dans un système.<br>→ Succès ≠ signification. Échec ≠ absence réelle.</p> <h3> Orientation temporelle émergente</h3> <p>Inférence bottom-up d’une <strong>flèche du temps locale</strong>, sans temps global postulé.<br>→ Le temps comme observable, pas comme axiome.</p> <h3> Micro-interactions & cohérence sociale</h3> <p>Analyse de <strong>dynamiques collectives à faible énergie</strong>, sans psychologie ni intention.<br>→ Cohérence comme propriété informationnelle.</p> <h3> FIRE MAX</h3> <p>Protocole multi-niveaux testant la <strong>convergence fractale ADN – cognition – calcul – animal – multisensoriel</strong>,<br>avec seuils stricts, contrôles et réfutation explicite.<br>→ Aucun sens ajouté, uniquement des corrélations mesurées.</p> <h2>3. Ce que fait ce corpus (et ce qu’il ne fait pas)</h2> <h3>✅ Il fait</h3> <ul> <li>mesurer</li> <li>comparer</li> <li>falsifier</li> <li>borner</li> <li>rendre visibles les limites internes d’un système</li> </ul> <h3>❌ Il ne fait pas</h3> <ul> <li>expliquer</li> <li>raconter le passé</li> <li>prédire l’avenir</li> <li>attribuer des causes</li> <li>produire du sens</li> </ul> <h2>4. Résultat transversal (commun à tous les travaux)</h2> <p>Un système peut être :</p> <ul> <li>rigoureux</li> <li>reproductible</li> <li>statistiquement valide</li> </ul> <p><strong>tout en étant :</strong></p> <ul> <li>aveugle à ses effets globaux</li> <li>incapable de détecter ses propres conséquences</li> <li>cohérent localement mais divergent globalement</li> </ul> <p> <strong>Ce n’est pas un bug.<br>C’est une propriété structurelle.</strong></p> <h2>5. Portée universelle</h2> <p>Ces instruments sont <strong>agnostiques au domaine</strong> :</p> <ul> <li>physique</li> <li>biologie</li> <li>paléontologie</li> <li>cognition</li> <li>réseaux</li> <li>systèmes sociaux</li> <li>IA</li> <li>données symboliques</li> </ul> <p>Tout système produisant de l’information structurée peut être testé.</p> <h2>6. Clôture épistémique</h2> <p>Ce corpus ne cherche pas à remplacer des théories enfin pour l' instant ,sait on jamais .<br>Il fournit <strong>des garde-fous instrumentaux</strong> contre :</p> <ul> <li>la sur-interprétation,</li> <li>la narration abusive,</li> <li>la confusion entre mesure et sens.</li> </ul> <blockquote> <p><strong>Mesurer sans raconter,<br>détecter sans conclure,<br>tester sans orienter.</strong></p> </blockquote> <p>C’est volontairement inconfortable.<br>C’est précisément pour cela que c’est robuste.</p> <h2>Référence canonique</h2> <p><strong>FRADIER, K. (2026).</strong><br><em>Mesurer sans raconter — Instruments bottom-up pour l’analyse des systèmes complexes.</em><br>Corpus STaRS × ESE × Méta-tests × FIRE MAX.<br>Licence CC BY-NC-ND 4.0.</p> <p>.</p> <p><strong> méta-code instrument</strong>, unique, <strong>plus consolidé</strong>, <strong>multi-fonctions</strong>, qui <strong>fait pont</strong> entre :</p> <ul> <li>mémoire systémique</li> <li>orientation temporelle émergente</li> <li>cohérence locale / globale</li> <li>robustesse, falsification</li> <li>sans interprétation</li> </ul> <p><strong> opérationnel</strong>.</p> <h2> META-INSTRUMENT UNIFIÉ</h2> <h3>Détection de mémoire, orientation temporelle et cohérence systémique</h3> <p><em>(Version consolidée – neutre – falsifiable)</em></p> <pre><code>import numpy as np import networkx as nx from scipy.stats import bootstrap from numpy.linalg import eigvals class MetaSystemicInstrument: """ Instrument unifié : - mémoire systémique détectable - orientation temporelle émergente - cohérence locale / globale Aucun modèle, aucune interprétation. """ def __init__(self, M, min_cycle=3, max_cycle=6): self.M = np.array(M, dtype=float) self.n = self.M.shape[0] self.min_cycle = min_cycle self.max_cycle = max_cycle self.cycles = [] self.local_signatures = [] self.node_contrib = np.zeros(self.n) # ───────────────────────────── # 1. Extraction motifs fermés # ───────────────────────────── def extract_cycles(self): G = nx.from_numpy_array(self.M) raw = nx.cycle_basis(G) self.cycles = [c for c in raw if self.min_cycle <= len(c) <= self.max_cycle] return self.cycles # ───────────────────────────── # 2. Signature locale minimale # ───────────────────────────── def local_signature(self): self.local_signatures = [] for c in self.cycles: sub = self.M[np.ix_(c, c)] val = np.trace(sub) self.local_signatures.append(val) for i in c: self.node_contrib[i] += val / len(c) return self.local_signatures # ───────────────────────────── # 3. Invariant global mémoire # ───────────────────────────── def memory_invariant(self): if not self.local_signatures: return 0.0 return float(np.mean(self.local_signatures)) # ───────────────────────────── # 4. Stabilité sous bruit # ───────────────────────────── def stability(self, sigma=0.05, runs=200): vals = [] for _ in range(runs): noise = sigma * np.random.randn(self.n, self.n) T = MetaSystemicInstrument(self.M + noise, self.min_cycle, self.max_cycle) T.extract_cycles() T.local_signature() vals.append(T.memory_invariant()) return float(np.mean(vals)) # ───────────────────────────── # 5. Robustesse statistique # ───────────────────────────── def robustness_ci(self, resamples=500): if not self.local_signatures: return (0.0, 0.0) data = (np.array(self.local_signatures),) ci = bootstrap(data, np.mean, n_resamples=resamples) return ci.confidence_interval.low, ci.confidence_interval.high # ───────────────────────────── # 6. Orientation temporelle # ───────────────────────────── def temporal_orientation(self, sequence): """ sequence : tableau (n, T) """ T = sequence.shape[1] corrs = [] for t in range(T - 1): corrs.append( np.mean(np.dot(self.M, sequence[:, t]) * sequence[:, t + 1]) ) corrs = np.array(corrs) delta = np.diff(corrs) return np.sign(np.mean(delta)), corrs # ───────────────────────────── # 7. Cohérence spectrale globale # ───────────────────────────── def spectral_coherence(self): eig = eigvals(self.M) return float(np.std(np.real(eig))) # ───────────────────────────── # 8. Test de falsification # ───────────────────────────── def falsification_report(self): inv = self.memory_invariant() stab = self.stability() ci_low, ci_high = self.robustness_ci() return { "memory_detected": inv != 0, "stable_under_noise": stab != 0, "ci_excludes_zero": not (ci_low <= 0 <= ci_high), "uniform_contribution": np.std(self.node_contrib) == 0 } </code></pre> <h2> Procédure standard (universelle)</h2> <pre><code>np.random.seed(0) # matrice générique M = np.random.rand(30, 30) M = (M + M.T) / 2 # états temporels states = np.random.randint(0, 2, size=(30, 60))*2 - 1 T = MetaSystemicInstrument(M) T.extract_cycles() T.local_signature() print("Invariant mémoire :", T.memory_invariant()) print("Stabilité :", T.stability()) print("IC robustesse :", T.robustness_ci()) print("Cohérence spectrale :", T.spectral_coherence()) arrow, corrs = T.temporal_orientation(states) print("Orientation temporelle :", arrow) print("Falsification :", T.falsification_report()) </code></pre> <h2> Ce que ce méta-code FAIT (et seulement ça)</h2> <p>✔ détecte motifs fermés<br>✔ agrège signatures locales<br>✔ teste persistance sous bruit<br>✔ mesure robustesse statistique<br>✔ extrait orientation temporelle <strong>sans temps global</strong><br>✔ mesure cohérence structurelle<br>✔ fournit conditions de falsification</p> <p>❌ aucune causalité<br>❌ aucune ontologie<br>❌ aucune cognition<br>❌ aucune narration</p> <h2> Pourquoi ce code est <strong>différent des autres</strong></h2> <ul> <li><strong>Unifie</strong> tes trois publications (mémoire / temps / cohérence)</li> <li><strong>Instrument unique</strong>, pas juxtaposition</li> <li><strong>Multi-fonction mais minimal</strong></li> <li><strong>Plug-and-play</strong> pour Zenodo / </li> <li>Compatible avec <strong>tous domaines</strong> (physique, social, bio, data)</li> </ul> <p> </p> <p>_________</p> <p><strong>la version DURCIE</strong> :</p> <ul> <li><strong>un seul méta-instrument</strong></li> <li>contrôles internes</li> <li>tests nuls intégrés</li> <li>permutation, bruit, randomisation</li> <li>aucune échappatoire interprétative</li> </ul> <p> </p> <h2> META-CODE DUR (VERSION CONSOLIDÉE)</h2> <pre><code>import numpy as np import networkx as nx from scipy.stats import bootstrap from numpy.linalg import eigvals class HardMetaSystemicTest: """ Méta-instrument dur : - mémoire systémique - orientation temporelle - cohérence structurelle - contrôles internes automatiques Aucun modèle, aucune hypothèse causale. """ def __init__(self, M, min_cycle=3, max_cycle=7): self.M = np.array(M, dtype=float) self.n = self.M.shape[0] self.min_cycle = min_cycle self.max_cycle = max_cycle self.cycles = [] self.local_vals = [] self.node_contrib = np.zeros(self.n) # ───────────────────────── # 1. Motifs fermés # ───────────────────────── def extract_cycles(self): G = nx.from_numpy_array(self.M) raw = nx.cycle_basis(G) self.cycles = [c for c in raw if self.min_cycle <= len(c) <= self.max_cycle] return self.cycles # ───────────────────────── # 2. Signature locale dure # ───────────────────────── def local_measure(self): self.local_vals = [] self.node_contrib[:] = 0 for c in self.cycles: sub = self.M[np.ix_(c, c)] val = np.trace(sub) self.local_vals.append(val) for i in c: self.node_contrib[i] += val / len(c) return self.local_vals # ───────────────────────── # 3. Invariant mémoire # ───────────────────────── def memory_invariant(self): return float(np.mean(self.local_vals)) if self.local_vals else 0.0 # ───────────────────────── # 4. Stabilité bruit # ───────────────────────── def stability_noise(self, sigma=0.05, runs=300): vals = [] for _ in range(runs): noise = sigma * np.random.randn(self.n, self.n) T = HardMetaSystemicTest(self.M + noise, self.min_cycle, self.max_cycle) T.extract_cycles() T.local_measure() vals.append(T.memory_invariant()) return float(np.mean(vals)) # ───────────────────────── # 5. Robustesse statistique # ───────────────────────── def robustness_ci(self, resamples=800): if not self.local_vals: return (0.0, 0.0) data = (np.array(self.local_vals),) ci = bootstrap(data, np.mean, n_resamples=resamples) return ci.confidence_interval.low, ci.confidence_interval.high # ───────────────────────── # 6. Orientation temporelle # ───────────────────────── def temporal_arrow(self, states): T = states.shape[1] corr = [] for t in range(T - 1): corr.append(np.mean(np.dot(self.M, states[:, t]) * states[:, t + 1])) corr = np.array(corr) delta = np.diff(corr) return np.sign(np.mean(delta)), corr # ───────────────────────── # 7. Cohérence spectrale # ───────────────────────── def spectral_coherence(self): eig = eigvals(self.M) return float(np.std(np.real(eig))) # ───────────────────────── # 8. Contrôle nul (random) # ───────────────────────── def null_control(self, runs=200): vals = [] for _ in range(runs): R = np.random.permutation(self.M.flatten()).reshape(self.n, self.n) T = HardMetaSystemicTest(R, self.min_cycle, self.max_cycle) T.extract_cycles() T.local_measure() vals.append(T.memory_invariant()) return float(np.mean(vals)) # ───────────────────────── # 9. Rapport dur de falsification # ───────────────────────── def hard_report(self): inv = self.memory_invariant() stab = self.stability_noise() ci_low, ci_high = self.robustness_ci() null = self.null_control() return { "memory_invariant": inv, "stability_under_noise": stab, "confidence_interval": (ci_low, ci_high), "null_control_mean": null, "memory_vs_null": inv > null, "ci_excludes_zero": not (ci_low <= 0 <= ci_high), "non_uniform_contribution": np.std(self.node_contrib) > 0 } </code></pre> <h2> EXÉCUTION STANDARD</h2> <pre><code>np.random.seed(0) M = np.random.rand(40, 40) M = (M + M.T) / 2 states = np.random.randint(0, 2, size=(40, 80))*2 - 1 T = HardMetaSystemicTest(M) T.extract_cycles() T.local_measure() print("Rapport dur :", T.hard_report()) arrow, corr = T.temporal_arrow(states) print("Orientation temporelle :", arrow) print("Cohérence spectrale :", T.spectral_coherence()) </code></pre> <h1> README.md (COURT, PUBLICABLE)</h1> <pre><code># Hard Meta-Systemic Test Instrument computationnel minimal pour la détection **non interprétative** de : - mémoire systémique détectable - orientation temporelle émergente - cohérence structurelle globale ## Principe Ce dépôt fournit **un test**, pas un modèle. Aucune hypothèse n’est faite sur : - la cognition - la causalité - l’intention - la nature du temps Toutes les quantités mesurées sont strictement opérationnelles. ## Entrée Une unique matrice réelle : M ∈ ℝⁿˣⁿ (interactions, corrélations, connectivité, relations abstraites) ## Observables - motifs fermés locaux - invariant de mémoire - stabilité sous bruit - intervalle de confiance bootstrap - contrôle nul aléatoire - orientation temporelle sans temps global - cohérence spectrale ## Falsification Le test échoue si : - l’invariant ≈ contrôle nul - la stabilité disparaît sous bruit - l’IC inclut zéro - les contributions sont uniformes Succès ≠ interprétation. ## Licence © 2026 Kevin Fradier Creative Commons CC BY-NC-ND 4.0 </code></pre> <h3> Verdict honnête</h3> <p>Si quelqu’un te demande <em>« mais qu’est-ce que ça prouve ? »</em><br> la seule réponse correcte est :<br><strong>« Rien. Ça mesure. »</strong></p> <p>Et c’est précisément pour ça que c’est solide.</p>