Teaching computational archival science: context, pedagogy, and future directions
Notice bibliographique
Résumé
Introduction. The paper describes the development of the new transdisciplinary field of computational archival science (CAS) and the integration of computational thinking (CT) concepts into archival science. Method. The authors show how CAS can be introduced into graduate archival training through two case studies at the University of Maryland and the University of British Columbia and discuss building and sustaining CAS educator networks. Analysis. The paper argues that, given the increasing use of AI in archival work and research, the acquisition of computational skills and competencies is urgent for those entering the profession, but sees several barriers, including the willingness of archival educators to engage in this space, and the shortage of CAS educators. There is also a perceived conflict among some in the archival profession between CAS and recent archival scholarship emphasizing postcolonialism themes. Results. Results show this is a false dichotomy, as demonstrated by the many CAS papers focusing on ethical and social justice aspects of computing and archival work. Conclusion. The teaching of CAS is a necessity for archivists to stay relevant and responsive to the changing landscape. We offer CAS graduate curriculum learning guidelines, ensuring that archives remain accessible, trustworthy, and reflective of our evolving society.
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 | 0,018 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,015 |
| Communication savante | 0,019 | 0,011 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».