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
The papers in this issue developed out of presentations at the 2007 Digital Humanities Conference, at the University of Illinois, in Champaign-Urbana. A conference issue is a regular feature of Literary and Linguistic Computing, but this issue is a first, of sorts, since the articles it includes were chosen in a kind of plebiscite. Immediately after the conference concluded, we used the online conference registration and management system (Conftool, developed by Harald Weinrich) to email all conference participants and ask them what they thought were the best, most interesting papers they had heard. Their nominations guided the editors of this issue (the program chair, Ray Siemens, and the local host, John Unsworth) in selecting and assembling this issue. Indeed, it is evidence of the confluence of ideas in our community that these nominations produced a collection of articles that is so thematically unified. In ‘Thinking about Interpretation', John Bradley discusses his work to build tools that extend the ability of scholars in the humanities to do what they really want to do, namely ‘study texts by reading them' (quoting Claire Warwick from the Companion to Digital Humanities). Bradley's software package, called Pliny, is a tool of this sort, ‘named after the classical author Pliny the Elder who was well known in his own day as someone who was constantly writing notes about things he was interested in.' Pliny, the software, assumes that you might want to annotate and think about any kind of digital object—an image, a web page, a text file, an audio file, etc. It also supports interpretation, as a kind of emergent structure, by allowing arrangement, naming, grouping, and typed reference.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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