MétaCan
Menu
Retour à la cohorte
Enregistrement W2767491377 · doi:10.1177/1350508417700403

Death in the details: Finding dead bodies at the Canadian War Museum

2017· article· en· W2767491377 sur OpenAlexaffabout
Nisha Shah

Notice bibliographique

RevueOrganization · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeographies of human-animal interactions
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésIngenuityIronyJust war theorySpanish Civil WarLawWorld War IIFirst world warHistorySociologyAestheticsPolitical scienceLiteratureArtEpistemologyPhilosophyAncient history

Résumé

récupéré en direct d'OpenAlex

Of the 13,000 works of art in the Canadian War Museum’s holdings, only 64 display dead bodies. Prevailing explanations of this absence revolve around respect for the dead and ethical responsibility to avoid the glorification of war. And yet death and destruction are pervasive in war. The irony is that one leaves the museum with the sense that war does not produce corpses, or at least not very many of them. Nowhere is this irony more evident than in the Canadian War Museum’s armaments collection, described as ‘the way in which human ingenuity has been applied to the science of war, creating weapons and other devices to attack, protect and kill’, but with only technical information about weapon calibre and capacities provided. This article describes an effort to dig up the dead. Studying the form and function of the labels accompanying weapons, I argue that seemingly mundane technical specifications classify and standardize certain kinds of bodily injury and death, and make the bodies destroyed by war present. Overall, arguing that injury and death are in the (technical) details, I challenge the assumption that a focus on technological devices sanitizes war. Instead, I propose a way to investigate and interrogate how death and injury in war are calibrated and embodied in the standards that make weapons ‘conventional’.

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)0,002
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: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,422

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,005
Études des sciences et des technologies0,0370,015
Communication savante0,0080,004
Science ouverte0,0030,007
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0150,001

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 Opus0,042
Tête enseignante GPT0,318
Écart entre enseignants0,276 · 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'étudeQualitatif
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

Citations28
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOrganizationMême sujetGeographies of human-animal interactionsTravaux en français237 207