Digitally-assisted iconology: A method for the analysis of digital media
Notice bibliographique
Résumé
Exploring medium-to-large datasets of social media imagery can be challenging. This paper describes a digitally-assisted iconology, a hybrid methodology that includes machine learning and data analytics for sorting through medium-sized datasets of images that lack metadata to describe their pictorial content. The method plays to the strengths of current digital technologies. Using machine learning, pictures are first clustered in a preliminary stage based upon basic formal presentational characteristics. Thematic analysis follows this preliminary stage, based upon an expansion of Aby Warburg’s “pre-coined expressive values”, which are frequently found in pictures displaying high levels of user reception. Once clustered via these two separate stages, the researcher can then drill down using familiar forms of visual analysis to explore how similar concepts have been rendered in different ways. The analysis may be augmented by exploring the commentary appended to these pictures, which adds a further level of detail providing insight into end-user interpretations. The approach – including its drawbacks – is demonstrated via a consequential dataset of pictures shared on Twitter in 2015, after a Syrian child was found drowned off the Turkish shore. Derivative imagery based upon the original photographs referenced longstanding iconographic themes.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
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 ».