MétaCan
Menu
Retour à la cohorte
Enregistrement W2560803826 · doi:10.3138/cart.51.4.3284

Spanish Landscapes in the Middle Ages: Reconstructing Territorial Memory from Early Documents and Cartography –A GIS-Based Methodology

2016· article· en· W2560803826 sur OpenAlexvenueno aff
Pilar Chías Navarro, Tomás Abad

Notice bibliographique

RevueCartographica The International Journal for Geographic Information and Geovisualization · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeographic Information Systems Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésToponymyCultural heritageGeographyCultural landscapeCartographyHistorical memoryHistoryArchaeologyHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

The gradual disappearance of traditional ways of life in the countryside is changing the historical relationship between rural inhabitants and their environment. As a consequence, the reconstruction of historical landscapes and territories plays an important role in historical memory. Toponyms are now considered an essential means of constructing community identities, because they refer to old uses and infrastructures, as well as to historical landmarks. Following the clues left behind by toponyms, old landscapes emerge from the past and endow the present ones with new meanings. The main goal of our project has been to preserve, protect, and disseminate this essential cultural heritage, which might otherwise sink into oblivion under the weight of the recent sweeping transformations wrought on the countryside by urban development and land use planning. To this end, we have developed an Open GIS-based tool that can be applied worldwide and which falls within the framework of European Union policies to promote free multilingual digital access to Europe's cultural heritage. This tool will provide free information on toponyms, helping to reconstruct historical territories and landscapes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0100,008
Études des sciences et des technologies0,0010,001
Communication savante0,0050,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,043
Tête enseignante GPT0,323
Écart entre enseignants0,280 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCartographica The International Journal for Geographic Information and GeovisualizationMême sujetGeographic Information Systems StudiesTravaux en français237 207