Bibliographic record
Abstract
Les musées d'ethnologie se développent et se répandent à une vitesse saisissante, tant au Québec qu'au Canada, tant dans les pays du Premier monde que dans les pays du Tiers-monde.Au Canada, le nombre de musées s'est considérablement accru au cours des trente derrières années.On compte maintenant au pays plus de 1 300 musées qui accueillent quelque 26 millions de visiteurs chaque année.Devenues les temples des temps postmodernes, les institutions muséales poussent comme les églises dans nos campagnes et dans nos villes au 19 e siècle.Les états, les provinces, les régions, les villes et même les plus petites municipalités veulent leur musée pour reconstruire leur mémoire, négocier un nouveau lien social, affirmer leur identité, bref, exister dans notre monde.Comme autrefois un village ou un quartier urbain sans église restait en marge de la communauté des croyants, aujourd'hui une population sans musée est privée de lieu d'appartenance culturel et se trouve hors des circuits touristiques, autant dire hors du monde.Pour répondre à cette demande sociale, les gouvernements créent des programmes de subventions pour financer le nombre croissant de musées et les universités mettent en oeuvre des programmes de formation en muséologie pour fournir une main d'oeuvre qualifiée.Les étudiants d'ethnologie aussi se
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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.011 | 0.011 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.038 | 0.009 |
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".