Méthodes et défis du repérage d’images sur le Web : Jean et John cherchent-ils de la même manière ?
Bibliographic record
Abstract
Nous faisons ici le point sur les principales méthodes employées pour le repérage d’images numériques que l’on trouve dans la majorité des sites et pages Web. Les méthodes d’indexation manuelles et automatiques facilitant le repérage d’images sont également décrites. Nous nous attardons plus particulièrement sur les problèmes rencontrés par les chercheurs d’images lors du repérage en contexte multilingue, c’est-à-dire lorsque la langue de la requête diffère de la langue d’indexation. Le principal objectif de cette étude était d’identifier les similarités et les différences dans la manière de formuler les requêtes de quatre groupes de participants de langue maternelle différente au moment du repérage d’images sur le Web. Nous avons demandé à quatre groupes de dix participants de quatre communautés linguistiques différentes (française, anglaise, russe et chinoise) de préciser quelles catégories de termes ils utilisent en général dans leurs requêtes lors de la recherche d’images sur le Web. Les résultats de notre étude sur les comportements de recherche des chercheurs d’images de quatre communautés linguistiques différentes ont révélé des différences significatives dans la manière de chercher (nombre de requêtes utilisées, longueur des requêtes, attributs conceptuels et terminologiques contenus dans les requêtes). Ces différences doivent être prises en considération au moment de l’élaboration des fonctionnalités de recherche proposées par les moteurs permettant la recherche d’images. En outre, la manière de chercher des images varie en fonction de la langue maternelle du chercheur d’images. Le défi de l’accès aux images, peu importe leur mode d’indexation, reste entier.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.064 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.011 | 0.013 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".