Reputation laundering and museum collections: patterns, priorities, provenance, and hidden crime
Notice bibliographique
Résumé
Provenance research in museums has traditionally been reactive and focused on singular objects with dubious histories, such as colonial-era acquisitions, Nazi-looted art, and objects with active ownership claims; the ‘crimes’ we expect to see. But what if what we think we know prevents us from seeing the bigger picture within and across museum collections? We argue that a machine-learning approach to provenance could allow the detection of broader patterns of unethical or even criminal behaviour that are embedded in the relationships underpinning museum collections. To demonstrate the potential of a machine-learning approach, we present a computer-assisted model that predicts plausible patterns and connections, ‘leads’ or ‘hot tips’, derived from a dataset of unstructured texts concerning the antiquities trade. Preliminary results have revealed what may have been a multi-decade scheme involving the donation of low-value Latin American antiquities to museums as a form of ‘reputation laundering’ potentially in advance of criminal fraud. We believe that such patterns could not be identified by an approach to museum provenance that is restricted to known problems within individual institution, demonstrating the need for innovative provenance tools and approaches that consider the complex networks within which museum objects exist.
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 | 0,005 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».