Digital Literary Mapping: I. Visualizing and Reading Graph Topologies as Maps for Literature
Notice bibliographique
Résumé
Cet article est le premier de deux textes interdépendants issus d’un projet fondé par l’AHRC (R.-U.), Chronotopic Cartographies, dont le but est de cartographier les lieux et l’espace de la littérature. Il cherche à établir la valeur d’une approche topologique pour la cartographie de textes littéraires. Centré sur le concept bakhtinien de chronotope, ou relation espace-temps, qui sert de fondement à la cartographie numérique de la signification spatiale dans les œuvres littéraires, il s’ouvre sur la contextualisation de notre travail en relation au domaine de la géographie et de la cartographie littéraires. Puis il trace une distinction claire entre la cartographie du monde réel au moyen des SIG (comme cela se fait couramment en histoire ou en géographie, par exemple) et la cartographie relative au moyen de topologies, qui est essentielle selon nous à la cartographie des lieux et de l’espace fictionnels. Les modèles numériques actuels qui se rapprochent le plus de ce projet concernent l’analyse des réseaux sociaux et son adaptation à la cartographie des réseaux des personnages dans les textes littéraires. Après la contextualisation de notre travail en relation à ce projet de recherche, nous argumentons en faveur de l’utilisation des modèles topologiques en cartographie littéraire. Une variété de formes topologiques et leur signification pour la littérature sont ensuite examinées dans leurs rapports avec des exemples particuliers tirés du projet Chronotopic Cartographies.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».