Deep Maps, Authorship, and Narrativizing Physical Spaces
Notice bibliographique
Résumé
In this paper, we propose that “deep mapping,” as described by David Bodenhamer (Bodenhamer 2016), can be used as a technique to broaden the scope of who is allowed to tell stories about place by letting a map’s authors re-engage physical spaces through narrative, subverting the notion of a map as an authoritative representation of place. We introduce The MapTool, a custom software toolkit we have developed in collaboration with authors telling stories about places. This tool facilitates the creation of interactive maps for both web and mobile applications. By presenting three case studies of projects composed using The MapTool, we examine ways in which deep maps provide an opportunity to co-construct stories of physical places through layering.Dans cet article, nous proposons que la cartographie profonde, telle que décrite par David Bodenhamer (Bodenhamer 2016), puisse être utilisée comme technique pour élargir le champ des personnes autorisées à raconter des histoires sur les lieux en permettant aux auteurs d'une carte de réengager les espaces physiques par le biais de la narration, en subvertissant la notion de carte en tant que représentation autoritaire d'un lieu. Nous présentons The MapTool, un logiciel personnalisé que nous avons développé en collaboration avec des auteurs qui racontent des histoires sur les lieux. Cet outil facilite la création de cartes interactives pour les applications web et mobiles. En présentant trois études de cas de projets composés à l'aide de The MapTool, nous examinons comment les cartes profondes permettent de co-construire des histoires de lieux physiques par la superposition de couches.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».