Problèmes posés par le nombre restreint de patronymes dans le traitement des généalogies
Notice bibliographique
Résumé
L'utilisation des ordinateurs par les chercheurs en sciences humaines et sociales offre des possibilités énormes. L'un des domaines dans lesquels l'application de l'informatique se révèle la plus prometteuse est l'étude socio-démographique et généalogique de communautés humaines. Lorsque la population est nombreuse et le recul historique suffisamment lointain, la quantité d'informations à manipuler est telle qu'il est impensable de pouvoir analyser les données à la main et que l'appel au concours de l'informatique devient indispensable. Dans un article récent, la méthode générale et les premiers résultats obtenus à propos de la paroisse de Bois-Vert ont été décrits. Les auteurs insistaient déjà sur la nécessité d'entrer en machine des informations aussi exemptes d'erreur que possible. C'est ainsi que les opérations de numérotation des individus et de la codification des lieux se font en laboratoire. Après vérification sur carte IBM, un triple contrôle manuel est effectué. Un programme spécial de vérification a été mis au point au Centre de calcul de l'Université de Montréal permettant de dépister des erreurs (absence d'information) ou des incompatibilités qui auraient pu échapper à la vérification manuelle (programme P0PI). L'ensemble de ces opérations est d'une durée variable suivant les caractéristiques des communautés, notamment leur effectif et la profondeur historique ; elles durent toujours plusieurs mois et occupent plusieurs techniciens. Le but du présent texte est d'insister sur une difficulté particulière rencontrée à propos d'une communauté, difficulté à laquelle on se heurte souvent dans les travaux généalogiques : le nombre restreint de patronymes.
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 | 0,014 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».