Quantitative analysis of open-source data on metal detecting for cultural property: Estimation of the scale and intensity of metal detecting and the quantity of metal-detected cultural goods
Notice bibliographique
Résumé
Through netnographic analysis of online forums and social networks, this study presents quantitative analysis of the scale and intensity of metal detecting and the quantity of metal-detected cultural goods. It adapts open-source data to develop empirical measures; to ensure reliability and consistency of sourcing and interpretation, these data were drawn from English-language forums and networks. Based on a poll of 668 online community members, it infers the size of active detecting communities from the size (93.42%) of online detecting communities. Based on open-source data on the detecting practices of 101 detectorists, the worst tolerable weather for 151 detectorists and seasonal variations in the reporting of 1,089,337 finds to the Portable Antiquities Scheme over 13 years, it determines a pragmatic minimum average of 286.02 h of detecting per person per year. Comparing activity in a wide range of permissive, restrictive and prohibitive regulatory environments - based on local-language forums and networks in Australia, Austria, Flanders and elsewhere in Belgium, Canada, Denmark, England and Wales, Ireland, the Netherlands, New Zealand, Northern Ireland, Scotland, and the United States - it finds that permissive regulation is ineffective in minimising harm to heritage assets, whether in the form of licit misbehaviour or criminal damage. Restrictive and prohibitive regulation appear to be more effective, insofar as there is less overall loss of archaeological evidence.
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 | 0,016 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».