MétaCan
Menu
Retour à la cohorte
Enregistrement W3127708375 · doi:10.4467/2450050xsnr.20.016.13019

Democratizing Museum Practice Through Oral History, Digital Storytelling, and Collaborative Ethical Work

2020· article· en· W3127708375 sur OpenAlexaboutno aff
Armando Perla

Notice bibliographique

RevueSantander Art and Culture Law Review · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDigital Storytelling and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMuseologyDigital storytellingMuseum informaticsStorytellingTRACE (psycholinguistics)SociologyInstitutionPolitical sciencePublic relationsEngineering ethicsVisual artsMedia studiesArtSocial scienceNarrativePedagogyEngineeringLiterature

Résumé

récupéré en direct d'OpenAlex

The museum as an institution can trace its origins to the colonization process. Many are still undemocratic and exclusionary institutions by nature. This article explores how digital collections, digital storytelling, and ethical guidelines for museum professionals working with historically marginalized communities can contribute to democratize museum practice and theory. Making use of two case studies: 1) the creation of the Canadian Museum for Human Rights’ (CMHR) oral history collection; and 2) the planning of the Swedish Museum of Movements’ (MoM) ethical guidelines – this piece proposes a shift from theory to practice in human rights museology to help institutions be more attuned and responsive to the communities they intend to serve. Both case studies demonstrate that implementing human rights museology in national museums is not an easy task and still faces multiple challenges. Yet, they also indicate that this concept can be more productively informed through practices developed by the marginalized groups which have been historically excluded from taking part in the decision-making processes in museums.

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)0,036
score de la tête « metaresearch » (Gemma)0,025
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,189

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0360,025
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0150,061
Communication savante0,0180,011
Science ouverte0,0030,019
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,081
Tête enseignante GPT0,390
Écart entre enseignants0,309 · 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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSantander Art and Culture Law ReviewMême sujetDigital Storytelling and EducationTravaux en français237 207