How to Prepare for Geoforensic Fieldwork to Investigate Archaeological Resource Crime
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
Abstract Geoforensic analyses complement archaeological resource crime investigations, cultural resource damage assessments, and other investigations involving sediments. Civil and criminal litigation may hinge on attributions of sediments recovered from persons, equipment, objects, and localities to specific source deposits, including altered cultural resources. Geoforensic fieldwork often entails fluid interplays among geological, archaeological, and investigative factors, and few scientists have experience working in such contexts. Geoforensic specialists may be tasked to swiftly investigate unfamiliar regions to obtain representative specimens and to present expert reports grounded in scientifically reliable principles and methods. For these reasons, systematic preparation is needed to improve geoforensic fieldwork effectiveness and efficiency. We present recommended procedures and field-tested assets for five pre-fieldwork steps: (1) commit to the teamwork, discretion, and professionalism required for crime scene investigation and case resolution; (2) gather geological and archaeological background information; (3) assemble the sediment sampling tool kit; (4) prepare sediment sampling documentation and specimen collection forms; and (5) obtain necessary permits and law enforcement, landowner, or attorney guidance for participation in crime scene reconnaissance, survey, or resurvey. Completion of these five steps will optimize the prospects for geoforensic contributions to cultural resource damage assessments and to just resolution and remediation of unauthorized cultural resource alterations.
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 | 0,002 | 0,038 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle