MétaCan
Menu
Back to cohort
Record W2139571632 · doi:10.4000/insitu.12178

À propos de quelques ferrures du cheval de labeur conservées dans les collections du musée Fragonard de l’École nationale vétérinaire d’Alfort : la question de l’adhérence sur les pavés

2015· article· fr· W2139571632 on OpenAlexaff
Christophe Degueurce

Bibliographic record

VenueIn Situ · 2015
Typearticle
Languagefr
FieldSocial Sciences
TopicMetallurgy and Cultural Artifacts
Canadian institutionsMusée de la Civilisation
Fundersnot available
KeywordsHumanitiesArt

Abstract

fetched live from OpenAlex

À une époque où le cheval de travail était soumis à des travaux de force comme la traction de charges lourdes, l’adhérence de ses pieds au sol était une condition de l’efficacité de la machine animale. Si la ferrure a été assez peu variée au Moyen Âge, les chevaux étant ferrés systématiquement avec des fers à rive externe ondulée et à crampons fixes, elle s’est ensuite considérablement diversifiée à partir de la Renaissance et a connu sa plus grande variété au XIXe siècle, à une époque où les chevaux étaient sélectionnés pour répondre à des tâches spécialisées. C’est ainsi que le cheval de halage bénéficia d’un fer couvert propre à le préserver des contusions par les pierres des lits de rivière ou que le cheval d’arme fut équipé de crampons mobiles. Dans le domaine de la traction civile, les fers restèrent souvent massifs mais la recherche de l’efficacité conduisit des inventeurs à proposer des ferrures très innovantes, plus légères et renforçant l’adhérence. Les compagnies de transports parisiens qui se développèrent dans la seconde moitié du XIXe siècle, et pour lesquelles la ferrure était un enjeu économique et sécuritaire majeur, furent des vecteurs d’innovation. La ferrure Charlier, qui connut un succès certain à la fin des années 1860, reprenait les idées que Lafosse avait développées au XVIIIe siècle ; elle consistait en un fin jonc métallique incrusté dans le pourtour du sabot, autorisant le contact de la corne du sabot avec le sol tout en en limitant l’usure. Avant de s’imposer, cette innovation suscita la polémique et des conflits entre les vétérinaires les plus influents de la capitale.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.025
Threshold uncertainty score0.051

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0040.003
Science and technology studies0.0050.003
Scholarly communication0.0020.001
Open science0.0010.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.001

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.

Opus teacher head0.052
GPT teacher head0.299
Teacher spread0.248 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2015
Admission routes1
Has abstractyes

Explore more

Same venueIn SituSame topicMetallurgy and Cultural ArtifactsFrench-language works237,207