Autumn 2021 Syllabus for Computing Cultural Heritage (CSE 590T / LIS 598A)
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
This document is the syllabus for Computing Cultural Heritage, a graduate seminar created and taught by Benjamin Charles Germain Lee at the University of Washington during the Autumn Quarter of 2021, offered in the course catalog in Computer Science & Engineering and Library & Information Science (CSE 590T / LIS 598A). <strong>Couse Description:</strong> From large-scale systems for searching the web to the datasets that machine learning practitioners utilize to train their models, our collective cultural heritage is in many ways the substrate of computer science. Indeed, cultural heritage practitioners including humanists, librarians, and archivists have been influential in shaping the discourse surrounding the sociotechnical implications of computing. This course explores various topics within computer science through the lens of cultural heritage: data visualization, human-AI interaction, search & discovery, crowdsourcing, web archiving, design & UX, and classification. The goals of this course are two-fold: first, to survey these topics in computer science, and second, to explore how they manifest within the context of cultural heritage. We will cover one topic every week, with the first meeting devoted to the CS-oriented literature for the topic, and the second meeting devoted to the sociotechnical implications of the topic in practice. During these second meetings, we will speak with cultural heritage practitioners at institutions across the country to learn about the roles of computing in their work, research, and stewardship.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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