Buy One Get One: The Legal and Socio-Cultural Context of ‘Gifting’ Within the Australian Human Remains Trade
Notice bibliographique
Résumé
Today’s global human remains trade – how it operates on and offline, where remains come from, and how algorithmic amplification allows for complex networks to form between buyers, sellers, and middlemen – has seen an increasing amount of research and media attention. Underpinning this increasing interest is the growing realization that poorly regulated trafficking inflicts genuine psychological harm on the living (whether relatives of body donors or descendant communities), as well as accrues losses to the archaeological record or risks the jeopardization of crime scenes. Much of this work, however, has focused on the global north. Within the global south, Australia is recognized as an emerging market country for many categories of cultural heritage trafficking, including human remains. This paper reviews the function and socio-legal context of a specific seller’s tactic so far seen only among Australian human remains collectors, whereby photographs of human remains are offered for sale, with the bones themselves included as a “gift”. From a network analysis of text from a corpus of anonymized posts from Facebook, conducted using t-SNE and Voyant Tools, 11 key discourse themes are identified that point to how and why this sales tactic is used. Better understanding its function is a necessary first step to closing this loophole within Australian law, but also to identifying similar tricks at work within collector networks elsewhere.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,027 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».