MétaCan
Menu
Retour à la cohorte
Enregistrement W2323401265 · doi:10.1109/digitalheritage.2015.7419579

Using 4D modelling in a university-museum research partnership

2015· article· en· W2323401265 sur OpenAlexaff
Nathalie Charbonneau, Joanne C. Burgess, Léon Robichaud

Notice bibliographique

Revue2015 Digital Heritage · 2015
Typearticle
Langueen
DomaineEarth and Planetary Sciences
Thématique3D Surveying and Cultural Heritage
Établissements canadiensUniversité de SherbrookeUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésGeneral partnershipFlexibility (engineering)Computer scienceRedevelopmentFactory (object-oriented programming)Process (computing)Subject (documents)Work (physics)Plan (archaeology)Field (mathematics)Architectural engineeringVisual artsWorld Wide WebEngineeringArchaeologyArtHistoryCivil engineeringManagementPolitical science

Résumé

récupéré en direct d'OpenAlex

In the field of virtual heritage, scientific 4D modelling brings together interdisciplinary expertise in an iterative process to create and revise digital models that also reflect the passage of time. Our work focusses on making this type of model serve the needs of museologists by linking various documentary sources (both text-based and iconographic) and testimonials to the 4D model. Our case study involves a former industrial site. Over the decades, various buildings in this old factory complex have been the subject of construction, demolition and redevelopment. Under a university-museum research partnership, our 4D model will be part of an interactive digital environment designed for a museum exhibit. Our goal is to maximize the flexibility of the model, which was based on i) research to find new documentary sources, ii) oral testimonies to complete the documentary record and iii) testing to make the user experience more cognitively enriching. This approach has strengthened the partnership between the museum and the university, made university research available to a wider audience and provided a modest museum with a new tool.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,829
Score d'incertitude au seuil0,493

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,377
Tête enseignante GPT0,340
Écart entre enseignants0,037 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2015 Digital HeritageMême sujet3D Surveying and Cultural HeritageTravaux en français237 207