Полный корпус как проверяемый объект

ЛОГИКА КУРПИШЕВА 2 · МАСТЕР-2 · RUN-026 / ARBD39 · CP4-C0

Курпишев Иван Борисович

11 сентября 2026 года. Рабочий научно-программный выпуск. Полигон метода: сочинения Иммануила Канта.

Аннотация

Вводится паспорт корпуса, который связывает редакцию произведения, её семейство, полный полученный файл, текстовые сегменты и план независимой проверки. Реализован критерий разделения обучающей и проверочной частей по компонентам связности графа происхождения. Он предотвращает конкретную ошибку: попадание перевода одного труда в обучение при использовании другой редакции того же труда для проверки.

Весь текущий реестр из 20 редакций и 14 семейств сохранён. Получены пять полных файлов английских изданий; 3 722 сегмента имеют координаты и SHA-256. Отдельная SQLite-база допускает поиск по источнику. Ни наличие файла, ни лексическое совпадение, ни программная проверка не приравниваются к смысловой атрибуции, истинности или качеству прогноза.

Результат этапа

Новый интерфейс: реестр, выбор проверяемого семейства, расчёт разделения, выгрузка плана и локальная сверка файла. Математическое ядро: критерий допустимого разделения и граница вывода для ранее не наблюдённого реперного значения. Реализован планировщик; обученная предсказательная модель в этом выпуске не создавалась.

SCIENCE=ABSTAIN; truth_layer_promotion=0; SEMANTIC_VALIDATION=NOT_RUN; BLIND_TEST=NOT_RUN; EXT-RUN=NOT_RUN. Смысловой слой semantic_run024 и показатель 155/156 сохранены без изменений. Компонент 038-03 остаётся открытым.

Преемственность

Родитель: опубликованный RUN-025 / ARBD38, версия сайта 27, исходник 22ca2a5f0e162a7c6057a241e160719f3217c500. Сохранённый документ продолжения заканчивался RUN-024. Поэтому отдельно создаётся точная архивная копия файлов родительского Git-исходника. Она не объявляется побайтным восстановлением прежнего несохранённого научного ZIP или его PDF.

Паспорт и пределы покрытия

Четыре разных уровня

1. Реестр: произведение и редакция обнаружены и идентифицированы. 2. Файлы: полный ответ источника получен, проверены формат, разделители и SHA-256. 3. Атрибуция: авторский текст отделён от оглавления, редактора, переводчика, примечаний и вложенных цитат. 4. Семантика: фрагменты независимо размечены и связаны с реперами в заданной области. Эти уровни не следуют автоматически друг из друга.

Пять полных файлов в текущем выпуске

Всего 3 074 038 байт исходных TXT. Полнота означает полный загруженный файл выбранного электронного издания с границами START/END, а не доказанную полноту критического собрания. Внутри книжного диапазона остаётся 3 722 неразмеченных сегмента; программное деление по пустым строкам не является членением, заданным Кантом.

Из 20 зарегистрированных редакций 15 пока не имеют полного файла в данном выпуске. Все пять полученных изданий - английские переводы или редакторски подготовленные издания. Они не заменяют немецкие тексты Akademie-Ausgabe. Полное авторское отделение текста не завершено ни для одного из них.

Каталог Korpora описывает тома 1-23: произведения, переписку и рукописное наследие. Он используется как внешний ориентир расширения, а не как доказательство загрузки всего корпуса. Текущие 14 семейств не покрывают это собрание целиком [1].

Четыре русских архивных файла Канта найдены по метаданным; их материализация дважды завершилась HTTP 502. Три сводных архива проекта найдены в Google Drive, но их состав не проверен локально. Они сохранены в реестре местонахождения и не включены в число полученных полных файлов.

От источника к воспроизводимому поиску

Для каждого полного файла сохраняются исходный и конечный URL, дата получения, фактический HTTP-код, число байтов и SHA-256. Источник сохраняется побайтно, вместе с заголовком, сведениями о переводчике и лицензией Project Gutenberg. Все пять запросов завершились HTTP 200. Повторный запрос предусмотрен только для тайм-аута или 5xx.

После декодирования UTF-8-sig отдельно отмечается диапазон между единственными START/END-разделителями. Это техническая граница электронной книги; она не подтверждает авторство всех находящихся внутри фрагментов. Для каждого непустого сегмента записываются начальная и конечная позиции символов, номера строк и хеш точной подстроки. Переносы строк и пробелы не нормализуются.

SQLite содержит таблицы family, work, segment и metadata. Каждый сегмент имеет внешний ключ редакции, редакция - семейства. CHECK ограничивает truth_layer_promotion нулём. Существующая база не перезаписывается: повторная сборка использует новый путь. Поиск работает в режиме только чтения и применяет параметризованный запрос.

Исполнимый пример

python scripts/kant-corpus-db.py search kant_corpus026.sqlite "categorical imperative"

Поиск точной подстроки без учёта регистра ASCII даёт 27 сегментов текущих пяти файлов. Это лексические кандидаты; число не означает 27 доказанных реперов или 27 независимо подтверждающих источников. Перенос строки внутри выражения может исключить его из такого поиска. Отсутствие результата не доказывает отсутствие идеи.

Каждый результат содержит редакцию, семейство, номера строк, хеш и отметку UNREVIEWED_EDITION_SEGMENT. Смысловой разбор должен отдельно установить автора фрагмента, область, модальность, роль аргумента и ограничивающий контекст. Указанный порядок продолжает принцип происхождения R/I/U/D; он не сводит философское содержание к поиску слов.

Проверки

Все 3 722 фрагмента сверены по точным диапазонам и хешам. Пройдены integrity_check и foreign_key_check SQLite. Каталог воспроизведён побайтно из сохранённых источников. Пять файлов сверяются тем же SHA-256 в локальном интерфейсе; совпадение удостоверяет только идентичность файла.

Теорема о разделении по происхождению

Пусть V - конечное множество редакций, а E - симметричное множество объявленных ограничений: связанные вершины запрещено разносить между обучением и проверкой. Ребро добавляется для редакций одного семейства, совпадающих объявленных отпечатков файлов или книжных диапазонов, а также явно указанных производных. Граф G=(V,E) определён до выбора проверяемого семейства.

Теорема 1

Для полного двоичного назначения ролей TRAIN/TEST следующие условия эквивалентны: (i) концы каждого ребра имеют одну роль; (ii) роль постоянна на каждой компоненте связности; (iii) назначение факторизуется через отображение в множество компонент. Разбиение на компоненты - единственное наиболее мелкое разбиение, совместимое со всеми рёбрами.

Доказательство

Из (i) равенство ролей переносится вдоль любого конечного пути, что даёт (ii). Из (ii) корректно определяется роль класса, и получается (iii). Условие (iii) немедленно даёт (i). Любое допустимое разбиение содержит целиком каждый путь и поэтому каждую компоненту; сами компоненты удовлетворяют ограничениям. Это доказывает утверждение о наиболее мелком разбиении.

Исключённые редакции

Если часть вершин имеет роль EXCLUDE, совместимое полное назначение существует тогда и только тогда, когда ни одна компонента не содержит одновременно TRAIN и TEST. Необходимость следует из теоремы. Для достаточности назначим неразмеченным вершинам роль уже размеченной части их компоненты, а полностью исключённой компоненте - произвольную роль. Именно этот критерий проверяет auditSplit.

Теорема относится к заданному графу. SHA-256 используется как практический отпечаток, а не как математическое доказательство невозможности коллизий. Необъявленные производные и близкие перефразировки алгоритм не обнаруживает. Разделение по группам известно в методах проверки моделей [7]; здесь формально задаётся его применение к реперному корпусу.

Связь с предсказательным методом

В RUN-024 реперное представление ρ давало однозначный исход лишь при постоянстве целевой функции на каждом его слое. RUN-025 учитывал допустимые интервалы погрешности наблюдений. Новый этап фиксирует, на каких источниках допускается строить ρ и на каких проверять перенос вывода. Корпусный контроль происхождения дополняет эти условия, но не заменяет их.

Предложение 2: ненаблюдавшийся реперный слой

Пусть сведения обучения не ограничивают исход на новом значении r*. Предположим, что класс допустимых целевых функций содержит две функции, совпадающие на всех обучающих объектах и дающие a и b на выбранном проверочном объекте с ρ(x*)=r*. Для любого детерминированного предиктора по этим обучающим сведениям и по r* хотя бы на одной из двух функций абсолютная ошибка не меньше |b-a|/2.

Доказательство

Предиктор получает одинаковую информацию в обоих случаях, следовательно, выдаёт одно значение ŷ. Неравенство треугольника даёт |a-b| ≤ |a-ŷ|+|ŷ-b| ≤ 2 max(|a-ŷ|,|b-ŷ|). Деление на два завершает доказательство. Если дополнительные ограничения исключают одно продолжение, предпосылка предложения не выполнена; универсальный запрет на прогноз из него не следует.

Для Канта новым исходом может служить независимая оценка того, поддерживает ли фрагмент конкретное утверждение в данной области. Такое суждение относится к задаче интерпретации текста. Оно не измеряет физическую истинность доктрины и не превращает коэффициент λ=-1 в критерий историко-философской достоверности.

Важно различать два отношения. В RUN-025 совместимость показаний при ошибке не была транзитивной: её замыкание меняло задачу. Здесь отношение связности вводится намеренно, поскольку ограничения запрещают разрывать происхождение вдоль цепочки. Транзитивное замыкание корректно именно для этой другой, явно определённой задачи.

Математические утверждения в этом выпуске - самодостаточные элементарные результаты, адаптированные к контракту KLT-RBD. Приоритет на общие идеи группировки и минимаксной границы не заявляется.

Протокол испытания на всём пакете

Что уже вычислено

Проверены 14 вариантов удержания одного семейства. Для «Критики чистого разума» в проверочную часть включаются три редакции, остальные 17 остаются в обучающей. Из трёх удержанных редакций полный файл получен для одной. Это вычисление плана, а не запуск обучения или получение оценки точности.

Все тексты уже доступны исследователю. Поэтому текущий план обозначен RETROSPECTIVE; выдача нового имени файлу или его контрольной суммы не делает его слепым. Для будущего испытания нужны новые независимые целевые метки, которые хранитель не раскрывает до фиксации метода. Предшествующее знакомство модели с каноническими сочинениями всё равно должно быть указано как ограничение.

Будущий целевой канал

Для каждой пары «утверждение - фрагмент» заранее задаются область Dom, единица разметки, отношение поддержки, несовместимости или недостаточности основания и правило разрешения разногласий экспертов. Извлечение ρ, словари и пороги фиксируются только по обучающей части. Все редакции семейства и производные остаются в одной группе.

До раскрытия меток фиксируются: перечень документов и хешей; версия сегментации; независимые инструкции разметчикам; выборка; основной показатель; базовый метод; допустимая доля ABSTAIN; правила пропусков и множественных сравнений; дата фиксации и независимый хранитель. После раскрытия изменение любого элемента порождает новый разведочный запуск.

Базовый метод следующего этапа: буквальный поиск выражений с возвратом координат, уже доступный в локальной базе. Он не выдаёт смысловых меток, поэтому сравнение качества семантического вывода потребует отдельно зафиксировать правило преобразования выдачи в ответ. Такое правило и численные пороги в RUN-026 не подбирались.

Оставшиеся препятствия

Полные файлы 15 зарегистрированных редакций; расширение за пределы 14 семейств; отделение авторского текста и примечаний; независимые метки; предрегистрация целевого канала и базового метода; хранитель; внешний запуск. Отдельный смысловой вопрос 038-03 не закрыт корпусной индексацией. CP3-CP5 и эмпирический CP6-P2 сохраняют статус OPEN.

Воспроизводимость, источники и продолжение

Пройдены 125 JavaScript-проверок: 112 унаследованных и 13 новых. Среди новых - ошибочный перенос перевода в обучение, совпадение книжных диапазонов разных файлов, цепочка происхождения, дубли идентификаторов, повышение статусов и все 64 графа из четырёх вершин. Последние сопоставлены с отдельным вычислением достижимости. Это программная проверка, не независимая экспертиза толкования Канта.

Публичный интерфейс содержит реестр и планировщик на RU/EN/ZH; исходные тексты входят в отдельный рабочий комплект. Смысловой снимок, движок ARBD38, модель погрешностей и главная страница сохраняются. Публикация фиксируется отдельной записью Sites; точка отката - версия 27. Физическое испытание Android и браузерное испытание в этом этапе не проводились.

Библиография и электронные источники

[1] Korpora. Akademieausgabe: Bände und Inhaltsverzeichnisse; описание Bonner Kant-Korpus. Проверено 11.09.2026. Источник.

[2] Kant. The Critique of Pure Reason. Перевод J. M. D. Meiklejohn. Project Gutenberg 4280. Источник.

[3] Kant. Fundamental Principles of the Metaphysic of Morals. Перевод T. K. Abbott. PG 5682. Источник.

[4] Kant. The Critique of Practical Reason. Перевод T. K. Abbott. PG 5683. Источник.

[5] Kant. Prolegomena to Any Future Metaphysics. Редактор Paul Carus. PG 52821. Источник.

[6] Kant. Critique of Judgement. Перевод J. H. Bernard. PG 48433. Источник.

[7] scikit-learn. GroupKFold, официальная документация: разбиение с непересекающимися группами. Источник.

[8] Kapoor S., Narayanan A. Leakage and the Reproducibility Crisis in ML-based Science. arXiv:2207.07048. Источник.

Источник [8] обосновывает необходимость явно проверять утечку сведений между обучением и проверкой. Он не удостоверяет научный статус KLT. Ссылки [2]-[6] задают точные редакции; смысловые выводы из этих пяти полных текстов в текущем выпуске ещё не заявляются.

Следующий выпуск: CP4-C1 - русские и немецкие полные тексты, реестр происхождения сегментов и отделение редакторских слоёв. Затем CP3 - независимая разметка и CP6-P2 - фиксация протокола до раскрытия новых меток. SCIENCE=ABSTAIN сохраняется до прохождения соответствующих научных проверок.