Notice bibliographique
Résumé
Dear Students, welcome to the wonderful world of archaeology! You might ask yourself, ‘Why am I learning about the past and why is my professor so excited to talk about stone tools, broken pottery, animal bones, or whatever other artifact excites them?’ Let us first start by introducing ourselves, and then hopefully we can help answer some of these questions. We (the editors) are all archaeology professors, just like your professor who told you to read this book. Michael and Katherine work at the University of Toronto (Ontario, Canada), while Danielle works at the University of Tulsa (Oklahoma, USA). We’ve known each other for more than 20 years. As professors, we’ve worked with generations of students in our classrooms, trying to excite the same passion for the past in our students as we have. However, sometimes this is challenging. As professors, we often struggle to communicate why students should care about something that happened thousands of years ago, and why it matters to the present. We will often talk at great lengths about artifacts, showing endless pictures of projectile points or different painted pieces of pottery, without actually showing students how to analyze them, or how to interpret the data we collect from them. We realized that if we want to engage students with the study of the past, we have to engage them in the present, in the classroom, and teach through doing , rather than showing. It is from these realizations that the idea for this book was born. In Learning Archaeology , we bring the voices of different archaeologists to you, providing real-world case studies with hands-on learning activities to allow you to analyze and interpret archaeological data.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,079 | 0,040 |
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 ».