The impact of COVID-19 on digital data practices in museums and art galleries in the UK and the US
Notice bibliographique
Résumé
Abstract The first quarter of 2020 heralded the beginning of an uncertain future for museums and galleries as the COVID-19 pandemic hit and the only means to stay ‘open’ was to turn towards the digital. In this paper, we investigate how the physical closure of museum buildings due to lockdown restrictions caused shockwaves within their digital strategies and changed their data practices potentially for good. We review the impact of COVID-19 on the museum sector, based on literature and desk research, with a focus on the implications for three museums and art galleries in the United Kingdom and the United States, and their mission, objectives, and digital data practices. We then present an analysis of ten qualitative interviews with expert witnesses working in the sector, representing different roles and types of institutions, undertaken between April and October 2020. Our research finds that digital engagement with museum content and practices around data in institutions have changed and that digital methods for organising and accessing collections for both staff and the general public have become more important. We present evidence that strategic preparedness influenced how well institutions were able to transition during closure and that metrics data became pivotal in understanding this novel situation. Increased engagement online changed traditional audience profiles, challenging museums to find ways of accommodating new forms of engagement in order to survive and thrive in the post-pandemic environment.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,015 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,001 | 0,018 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».