Ich habe mehr als 8.000 Berichte über Nahtoderfahrungen und außerkörperliche Erlebnisse aus öffentlichen Forschungsdatenbanken ausgesucht, sie durch GPT-4 laufen lassen, um strukturierte Daten zu extrahieren (mehr als 150 Variablen pro Erfahrung), Texteinbettungen generiert und sie mithilfe von UMAP in den 3D-Raum projiziert.
Jeder Punkt ist ein Erlebnis. Ähnliche Cluster gruppieren sich – sodass Sie tatsächlich Muster erkennen können:
- "Leere" Erfahrungen Gruppe getrennt von "Licht" Erfahrungen
- Erlebnisse mit hoher Punktzahl (Greyson-Skala) häufen sich deutlich
- Unterschiedliche Todesursachen erzeugen unterschiedliche Muster
Tech-Stack:
- Next.js + Three.js für die 3D-Visualisierung
- Supabase mit pgvector für Einbettungen
- OpenAI-API für strukturierte Extraktion + Einbettungen
- UMAP zur Dimensionsreduktion
Datenquellen: NDERF.org, OBERF.org, ADCRF.org (öffentliche Forschungsdatenbanken mit gesammelten Konten aus über 25 Jahren)
Vollständige Methodik und Forschungseinblicke in den Kommentaren verlinkt.
Gerne beantworten wir Fragen zur Datenpipeline, zum Einbettungsansatz oder zu Visualisierungsoptionen.
Von mikeeus
6 Kommentare
**Interactive 3D map:** [https://noeticmap.com/map](https://noeticmap.com/map)
**Methodology breakdown:** [https://noeticmap.com/research/methodology](https://noeticmap.com/research/methodology)
**Research insights & data patterns:** [https://noeticmap.com/research](https://noeticmap.com/research)
The methodology page covers the full pipeline: scraping, GPT-4 structured
extraction, embedding generation, UMAP projection, and the variables I extracted from each experience.
High quality post, thank you
the insight isn’t presented well in this graphic
I’d say it needs a bit of context and basic explanation, but it is pretty
This data is far too awkward to look at and understand..
So 3d data presented as 2d for extra misunderstanding?