A Systems-Thinking Model of Data Management and Use in US Archaeology
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
Overview Archaeology in the United States is caught in a “curation crisis” (Childs 1995; Childs and Warner 2019; Marquardt et al. 1982; SAA Advisory Committee on Curation 2003; Trimble and Marino 2003) and a “digital data crisis” (or “deluge”) more specifically (Bevan 2015; Clarke 2015; Kansa and Kansa 2021; Katsianis et al. 2022; Kersel 2015; McManamon et al. 2017:239–240; Rivers Cofield et al. 2024). Recent estimates suggest that, collectively, over 1.4 billion dollars are spent annually to support archaeological work that is mandated by federal law (SRI Foundation 2020). Although substantial efforts are underway to generate and provide mechanisms for managing, curating, and sharing the resultant digital data, we suggest that a critical step that has yet to be taken is to describe and visualize the components, connections, and causal dynamics of the US digital data system as it currently functions. Here, we specifically apply a “systems thinking” approach to produce such a high-level model of this system. We argue that understanding and visualizing this system will help us all “think bigger” (Heilen and Manney 2023); identify sources of knowledge, opportunities for critical analysis, collaboration, and capacity building; and increase much-needed archaeological digital literacy (Kansa and Kansa 2022). We conceptualize this as bringing “equilibrium” to the system, and in this article, we make several suggestions on how to bring this about. These insights can enable practitioners to better understand their roles in and contributions to the overall system and to evaluate efforts to improve data sharing, management, and curation practices not only within their organizations and departments but beyond.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle