L'étude des données "grises" issues de la détection illégale de métaux : sauvegarde du patrimoine ou cercle vicieux du pillage?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La pratique de la détection de métaux a connu un développement considérable durant les quarante dernières années. Prenant la mesure du risque que celle-ci faisait courir au patrimoine archéologique, les pouvoirs publics, à la suite de recommandations internationales, ont mis en place des législations pour tenter de diminuer son impact. Certaines nations à l’image de l’Angleterre et du Pays de Galles, et récemment des Flandres belges, considèrent néanmoins les utilisateurs de détecteurs de métaux plus comme des auxiliaires à la recherche que comme un réel risque pour le patrimoine archéologique, et les encouragent à déclarer leurs trouvailles aux autorités compétentes. De plus, les découvreurs d’objets exceptionnels peuvent se voir récompensés financièrement. En France, où la législation impose l’obtention d’une autorisation administrative pour utiliser un détecteur de métaux, les systèmes déclaratifs font figure d’exemples pour la communauté des utilisateurs de détecteurs, rêvant d’une « collaboration active » entre eux et les archéologues. Certains scientifiques, arguant que la détection illégale est une réalité qu’on ne peut combattre, font cependant le choix d’enregistrer et d’étudier les découvertes des utilisateurs clandestins de détecteurs de métaux, voyant ainsi la possibilité de « sauver ce qui peut l’être ». Cependant, divers exemples issus de l’actualité et de différents médias démontrent que, loin de son but originel, cette pratique offre une caution scientifique à la détection de métaux et une valeur marchande aux objets découverts, créant ainsi une demande alimentant le pillage du patrimoine.
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.
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 | 0,005 | 0,003 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle