Проект ЭМПИРИОН посвящен разработке методологии и технологии формирования баз знаний на основе данных эмпирических исследований. На втором этапе сделано:

(1) Для исследования инфраструктуры для представления данных эмпирических исследований был проведён структурированный обзор онтологических ресурсов, по результатам которого было найдено 16 других онтологий, имеющих отношение к описанию данных эмпирических исследований. Эти ресурсы были разделены на три группы по их содержанию: для описания данных в целом, для описания массивов исследовательских данных, для описания массивов данных предметных областей. Онтологии из этих групп формируют кластеры, в которых модели предметных областей являются расширениями более абстрактных моделей. Данные кластеры описывают исследовательские данные вплоть до уровня переменных, однако не предоставляют инструментов для интеграции данных, позволяя описать переменные как таковые, но не связанную с ними информацию, необходимую для их интерпретации, например, единицы измерения или расшифровки списков значений переменной.
(2) Изначально структура онтологии Эмпирион следовала теориям метаданных, поэтому классы верхнего уровня являлись интерпретацией принятой классификации метаданных в приложении к описанию массивов экспериментальных данных: физическое представление массивов (класс Data), внешние метаданные ‒ описание характеристик переменных и массива (класс Metadata) и внутренние метаданные ‒ сами переменные в массиве (класс Variable). Такое структурирование, хотя и представляется теоретически оправданным, препятствовало бы интеграции онтологии Эмпирион в существующую инфраструктуру исследовательских данных, поэтому её структура была переработана так, чтобы онтология могла стать частью уже существующей инфраструктуры: заимствовано уже устоявшееся представление переменных на трёх уровнях абстракции, и дополнено информацией, необходимой для интерпретации переменных. Обновлённая версия онтологии выложена в репозиторий проекта: https://github.com/jimijimiyo/empirion. Данная онтология, в отличие от уже существующих, позволяет интегрировать переменные из разных массивов данных.
(3) В основу прототипа для полу-автоматического наполнения онтологии Эмпирион был положен метод Метеор, разработанный авторами ранее и значительно доработанный под текущие цели. Данный метод использует две вспомогательные онтологии – структуры данных (в данном проекте она была названа empirion_struct) и источников данных (meteor) и включает пять шагов: 1 ‒ идентификация источников данных, из которых будет наполняться онтология; 2 ‒ спецификация источников данных (производится вручную); 3 ‒ извлечение структуры данных (выполняется автоматически с помощью модуля, написанного на Python); 4 ‒ задание правил отображения структуры данных на классы наполняемой онтологии (производится вручную); 5 ‒ наполнение онтологии в соответствии с заданными правилами (выполняется автоматически с помощью модуля, написанного на Python). Код выложен в репозиторий проекта: https://github.com/jimijimiyo/empirion.
(4) Для обзора методов наполнения и обогащения онтологий было проанализировано более сорока статей с описанием методов наполнения онтологий из полу-структурированных данных. По результатам обзора сформирован алгоритм наполнения онтологии Эмпирион.
(5) Алгоритм наполнения онтологии Эмпирион, в соответствии с общепринятыми практиками, включает два этапа: 1 ‒ идентификация сущностей в источнике данных (knowledge discovery), на котором нужно автоматически идентифицировать переменные в массиве, которые станут экземплярами подклассов disco:Variable и их описания в сопроводительных файлах метаданных; 2 ‒ добавление выявленных сущностей в правильное место в онтологии (knowledge refinement), для чего сначала автоматически будет производиться поиск классов-кандидатов для идентифицированных сущностей, а затем найденные соответствия будут вручную верифицироваться пользователем.
(6) Помимо работы с онтологиями эмпирических было проведено исследование особенностей формирования онтологий и графов знаний «снизу вверх», как абстрактных моделей обобщения. Было проведено исследование особенностей процессов категоризации при формировании онтологий студентами, произведён анализ основных ошибок категоризации, а также был выдвинут ряд гипотез по связи этих ошибок и особенностей когнитивных стилей разработчиков. Также была продолжена работа по классификации визуальных моделей представления знаний и предложена новая таксономия таких моделей: по уровню формализации; по связи с предметной областью; по контенту; по синтаксису.