Работы российского художника Артура Скижали-Вайса под названием «Архитектурные фантазии» в жанре архитектурной фантастики и футурологии.

Минутка интерактива от Rafaël Rozendaal

Проект буквально новая классика интерактивного дизайна из 2008 года

Оцените как просто, а это целый жанр нет-арта.

Просто афишы выставок в RCA


Дизайнер Rebecca Penmore

Подборка кистей

INK Abstract Stroke Brush - Photoshop Brush
https://www.freeject.net/2019/12/free-download-ink-abstract-stroke-brush.html

Noise Photoshop Brush
https://www.freeject.net/2019/08/noise-photoshop-brush-vol-2-free.html

10 Wreaths Photoshop Brushes
https://www.freeject.net/2019/08/wreaths-vol1-photoshop-brushes-free.html

Small Splash Photoshop Brush
https://www.freeject.net/2019/07/free-download-small-splash-photoshop.html

5 Star Photoshop Brush
https://www.freeject.net/2019/07/free-download-5-star-photoshop-brush.html

Спонсор вечера понедельника — дизайнер, аниматор Emanuele Colombo

Проектирование государства при помощи LLM: одна старая статья о проектировании общественных институтов при помощи формальных языков. Идеология грамматики институтов

“Грамматика институтов” представляет собой подход, предложенный Сью
Кроуфорд и Элионор Остром в 1995 году и предполагающий анализ институтов
через фокус на синтаксических структурных элементах, которые составляют и
формируют воплощенные в языковой форме институты.Премия памяти А. Нобеля по экономике за 2009 г. была присуждена двум американским ученым, виднейшим представителям новой институциональной теории, Элинор Остром и Оливеру Уильямсону, за анализ «economic governance» – феномена, для которого в русском языке даже трудно подобрать адекватное обозначение.

https://t.me/evidence_guide/9

Вместе с тем, широкому распространению подхода “грамматики институтов”
препятствуют значительные затраты времени и ресурсов, связанные с его
применением. В данной статье предлагается использовать машинное обучение
(компьютерный анализ текстов и обработку естественного языка) и разбираются
результаты такого анализа на примере 19 документов, регламентирующих работу
пищевой отрасли.

Rice, Douglas, et al. "Machine Coding of Policy Texts with the Institutional Grammar." Public Administration. December 2020

https://onlinelibrary.wiley.com/doi/10.1111/padm.12711


1. На первом этапе текст обрабатывается и специальным образом размечается при
помощи методов «обработки естественного языка» (Natural language processing,
NLP). Это делается в первую очередь для обработки нестандартного
форматирования политического текста: политический текст может содержать
специфическое форматирование в виде отдельных не связанных между собой
пунктов, абзацев, специфическое построение предложений, а также
специфическую пунктуацию (тире, «буллеты» и т.п.). Для этого используется пакет
Stanford CoreNLP на языке статистических расчетов R.

2. На втором этапе полученный текст размечается в соответствии с правилами
“грамматики институтов”. Для этого используется вероятностная ассоциация
синтаксических элементов с элементами “грамматики институтов” путем
использования «машинного обучения с учителем» (supervised machine learning).
Суть подобной обработки состоит в выделении в каждом утверждении текста (в
статье разделяются понятия «утверждение» и «предложение»: в одном
предложении может быть несколько утверждений) следующих 6 специфических
синтаксических элементов:
1.
Атрибут (Attribute, [A]) – актор, к которому применяется данное утверждение;
2.
Цель (Aim, [I]) – цель данного утверждения (действие);
3.
«Деонтика» (Deontic, [D]) – предписание, которое указывает, что именно
Атрибут должен или не должен делать, что ему разрешено или запрещено, и т.п.;
4.
Объект (Object, [B]) – одушевленный или неодушевленный объект, которому
применяется основное («фокальное») действие;
5.
Условие (Condition, [C]) – временные, пространственные или регуляторные
ограничения, в рамках которых действие утверждения должно или не должно
выполняться;
6.
«Или что» (Or else, [O]) – указание стимула для выполнения или невыполнения
«фокального» действия (например, наказание в случае нарушения).
Эти 6 элементов объединяются в набор, который носит сокращенное обозначение
ABDICO.

В качестве примера в статье приводится разбор предложения “Операции,
сертифицированные как органические в соответствии с Национальной программой
США по органическому производству, должны ежегодно представлять план
органической системы, в противном случае сертификация будет отменена”. В
результате разбора “грамматики институтов” получается следующий набор:
Атрибут = “Операции, сертифицированные как органические в соответствии с
Национальной программой США по органическому производству”;
Деонтика = “должны”;
Цель = “представлять”;
Объект = “план органической системы”;
Условие = “ежегодно”;
Or else = “в противном случае сертификация будет отменена”.

В статьей использовался набор из 19 документов, регламентирующих работу
пищевой отрасли. Все слова, размеченные ручным способом человеком как
элементы “грамматики институтов”, были разделены на два множества –
обучающее множество (8320 слов) и множество для оценки (922 слова).
Далее разметка текстов в соответствии с правилами “грамматики институтов”
производится с использованием «машинного обучения с учителем», в качестве
конкретной реализации которого были выбраны нейронные сети.

“Грамматика институтов”, предложенная более двух десятилетий назад, открывает
огромные перспективы для ученых, занимающихся государственной политикой и
администрированием и заинтересованных в систематическом изучении структуры
и понимания политических текстов (policy texts).

Полученный уровень точности автоматической классификации является первым
доказательством полезности такого анализа текстов в рамках подхода «грамматики
институтов». Увеличение точности может быть достигнуто путем увеличения
количества текстов, классифицированных в соответствии с «грамматикой
институтов», в сочетании с робастными методами обработки естественного языка и
совершенствованием методов машинного обучения.

В общем-то ждем применения методов грамматики институтов на дешевом LLM и ChatGPT