Quantifying Relevance in Art Exhibition Systems at the Turn of the Twentieth Century: A Case Study of a Cultural Network Approach
Notice bibliographique
Résumé
This paper presents a digital humanities framework for the study of the art exhibition phenomena in Europe in the late nineteenth and first half of the twentieth centuries, which deploys a mixed-methods approach based upon the concept of relevance. This matter is examined from the perspective of art history, previous contributions are discussed, and the rationale for the proposed framework is specified. After modelling the exhibition phenomenon as a cultural network, the calculation of a relevance index is developed and the defined attributes, values, and weights used in this method are thoroughly described. Finally, this conceptualization is tested on a case study of a dataset that comprises 2,845 solo exhibitions held in Barcelona (Spain) and surrounding municipalities between 1890 and 1938, setting grounds for improvement through future iterative work. Cet article présente un cadre en humanités numériques pour l'étude du phénomène des expositions d'art en Europe à la fin du XIXe siècle et pendant la première moitié du XXe siècle, qui utilise une approche mixte fondée sur le concept de pertinence. Cette question est examinée du point de vue de l'histoire de l'art, les contributions précédentes sont discutées, et la justification du cadre proposé est précisée. Après avoir modélisé le phénomène des expositions comme un réseau culturel, le calcul d'un indice de pertinence est développé, et les attributs, valeurs et poids définis dans cette méthode sont décrits en détail. Enfin, cette conceptualisation est testée sur une étude de cas d'un ensemble de données comprenant 2 845 expositions individuelles organisées à Barcelone (Espagne) et dans les municipalités environnantes entre 1890 et 1938, jetant les bases d'améliorations grâce à des travaux itératifs futurs.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».