Notice bibliographique
Résumé
Introduction Spatial analysis lies at the core of GIS and builds on a long history of quantitative methods in archaeology. Many of the foundations of spatial analysis were established by quantitative geographers in the 1950s and 1960s, and adopted and modified by archaeologists in the 1970s and 1980s. For a variety of reasons, spatial analysis fell out of fashion both in archaeology and in the other social sciences. In part this was because of the perceived overgeneralisation of certain types of mathematical models, but also because of a shift towards more contextually orientated and relativist studies of human behaviour. Recently, however, there has been a renewed interest in the techniques of spatial analysis for understanding the spatial organisation of human behaviour that takes on board these criticisms. In the last decade there have been several advances within the social sciences, particularly geography and economics, in their ability to reveal and interpret complex patterns of human behaviour at a variety of scales, from the local to the general, using spatial statistics. Archaeology has participated somewhat less in these recent developments, although there is a growing literature that demonstrates a renewed interest in the application of these techniques to the study of past human behaviour. In this chapter we review some historically important methods (e.g. linear regression, spatial autocorrelation, cluster analysis) and also highlight more recent advances in the application of spatial analysis to archaeology (e.g. Ripley's K , kernel density estimates, linear logistic regression).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,126 | 0,053 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».