MétaCan
Menu
Retour à la cohorte
Enregistrement W4405722017 · doi:10.23977/jaip.2024.070409

Exploring the Path of Intangible Cultural Heritage and Protection Promoted by Artificial Intelligence: Taking the Eight Wonders of Yanjing as an Example

2024· article· en· W4405722017 sur OpenAlexvenueno aff

Notice bibliographique

RevueJournal of Artificial Intelligence Practice · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRegional Development and Environment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPath (computing)Cultural heritageIntangible cultural heritageEnvironmental ethicsArtificial intelligenceComputer scienceSociologyPolitical scienceLawPhilosophyOperating system

Résumé

récupéré en direct d'OpenAlex

The article explores the application path of artificial intelligence technology in the inheritance and protection of intangible cultural heritage. Specifically, by constructing digital archives of intangible cultural heritage, we can utilize virtual reality and augmented reality technologies to enrich the interactive experience of intangible cultural heritage; Meanwhile, with the help of big data analysis and user behavior analysis, we can achieve precise dissemination of content related to intangible cultural heritage. Artificial intelligence has also promoted the innovative design and intelligent production of intangible cultural heritage products, broadening the inheritance path of intangible cultural heritage. Taking the Eight Treasures of Yanjing as an example, this paper analyzes the challenges it faces and proposes specific measures for artificial intelligence in data recording, intelligent recognition, innovative design, intelligent dissemination, and protection and repair. Finally, research has shown that the deep integration of artificial intelligence technology provides new impetus for the inheritance and protection of intangible cultural heritage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,003
Communication savante0,0040,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,257
Tête enseignante GPT0,367
Écart entre enseignants0,111 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Artificial Intelligence PracticeMême sujetRegional Development and EnvironmentTravaux en français237 207