Building Social Interactions as a Creation of Networks in an RDF Repository
Notice bibliographique
Résumé
<p>Humanities scholars are not likely to be thinking about their research findings as data, and the predominant models of organizing documents remain generally archival or bibliographic in nature for text-based documents. Although the linked data movement has greatly influenced information organization and search queries on the Web, in comparison to other fields, the adoption of the linked data approach to humanities collections is unequally paced. This study intends to explain how people or actors make social interactions, and how social interactions are formed in a type of network through the example of the Making Publics (MaPs) project. The objective of the MaPs project is to build collaborative common environments for tracing social interactions between people, things, places and times. To build social interactions, the Networked Event Model was designed in a collaborative environment. Events were defined as six types of nodes (e.g., people, organizations, places, things, events, and literals) in the RDF (Resource Description Framework) triple statements. The interaction vocabulary list is made of 173 verbs and predicates, offering 510 traceable events. The RDF repository runs on a Sesame server and MySQL architecture. Users can use digital tools to select and document events and visually present the selected events in interactive social web forms. The MaPs project sought to extract the network extant in the works of prose in large collaborative humanities documents. In this way, the dissemination of and access to humanities data can be made more connectable, available and accessible to both academic and non-academic communities.</p>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».