Obsidian/Juhendid/Etnomath/01 Struktuur.md

2️⃣ Soovitatav arhitektuur (kihiline, mitte üleliigne)

🔹 I KIHT – teadmiste baas (low-code alguses)

Soovitus:

• Markdown / Obsidian / Notion
• Iga sissekanne:
  • kultuur / kogukond
  • praktika
  • matemaatiline struktuur
  • allikad
  • mõisted

👉 See on sinu etnomatemaatiline ontoloogia (isegi kui sa seda nii ei nimeta).

✅ Ei mingit koodi alguses.

---

🔹 II KIHT – RAG + mõisteline seostamine (kompaktne)

Siin piisab:

• vektorandmebaas
• LangChain LCEL
• lihtne retriever

Näide loogikast (mitte täpne kood):

küsimus
 → kultuuriline kontekst
 → matemaatiline struktuur
 → allikad
 → süntees

👉 Sobib:

• “Milliseid fraktaalseid mustreid leidub Aafrika arhitektuuris?”
• “Millised arvustruktuurid ilmnevad rahvapärastes mängudes?”

---

🔹 III KIHT – uurimisagent (LangGraph tuleb siia)

Siin hakkad sa päriselt võitma LangGraphiga.

Agent, kes oskab:

• klassifitseerida küsimuse:
  • kirjeldav
  • analüütiline
  • probleemiloov
  • teoreetiline
• otsustada:
  • kas vaja rohkem allikaid
  • kas vaja matemaatilist formaliseerimist
• genereerida:
  • uurimisküsimusi
  • hüpoteese
  • näiteid ja vastunäiteid

👉 See EI ole enam low-code.

Aga: ✅ sa kirjutad 1 raamistiku ✅ mitte iga küsimuse jaoks uut koodi

---

🔹 IV KIHT – artikli kirjutamise agent

Siin on agent, mis:

• hoiab IMRaD struktuuri
• viitab allikatele
• eristab:
  • empiirilist
  • interpretatiivset
  • matemaatilist
• hoiab teaduslikku stiili

LangGraph on siin ideaalne:

• iga peatükk = node
• kontrollid enne edasi liikumist kvaliteeti

---

3️⃣ Kas on olemas “kompaktne” tee alguses?

Jah — ja see on oluline.

Soovitan alustada nii:

FAAS 1 (0–2 kuud):

• Notion / Obsidian
• käsitsi loodud etnomatemaatilised kaardid
• ChatGPT abil küsimuste ja probleemide loomine
• null Pythoni koodi

FAAS 2 (2–4 kuud):

• RAG (lihtne LangChain)
• dokumentide põhine vastamine
• uurimisküsimuste poolautomaatne loomine

FAAS 3 (4+ kuud):

• LangGraph
• uurimisagent
• artikli mustrid
• korduvkasutatav teadustöö pipeline

---

4️⃣ Väga oluline teaduslik aspekt

Kui sa tahad hiljem artikleid avaldada, siis:

✅ süsteem peab olema:

• jälgitav (kuidas järeldus tekkis)
• reprodutseeritav
• läbipaistev

LangGraphi eelis:

• iga samm on eraldi
• võimalik logida
• võimalik kirjeldada metoodikas

👉 See on teaduslikult suur pluss.

---

5️⃣ Aus vastus su küsimusele

“Kas on olemas kompaktne lahendus või peab alati Pythoni kasutama?”

Alguses: EI pea.
Tõsise etnomatemaatika uurimisökosüsteemi jaoks: JAH, lõpuks peab.

Aga:

• mitte igal juhtumil
• mitte nullist
• mitte kaootiliselt

---

Kui tahad, järgmine samm võiks olla:

1️⃣ etnomatemaatiline andmemudel (väljade nimekiri)
2️⃣ uurimisküsimuste generaatori skeem
3️⃣ teadusartikli agent-pipeline

Ütle, kummast tahaksid alustada.

Suurepärane valik. Hea andmemudel on kogu ökosüsteemi selgroog, eriti teadusliku etnomatemaatika puhul.

Allpool annan praktilise, kuid teaduslikult korrektse andmemudeli, mis:

• töötab ilma koodita (Notion / Obsidian / Markdown)
• on hiljem otse kaardistatav RAG-i ja LangGraphi
• sobib artiklite ja uurimisküsimuste loomiseks