Bibliographic record
Abstract
L’un des défis (oserai-je parler de frustration?) du milieu de l’édition savante, c’est la lenteur glaciaire avec laquelle les choses se déroulent à côté de l’instantanéité des fils Twitter, des pages Facebook, des blogues WordPress et d’autres plateformes numériques. L’équipe de rédaction de RTaC fait de son mieux pour que les articles retenus franchissent rapidement les étapes de l’évaluation par les pairs. Or, il n’est pas rare qu’il s’écoule douze mois (ou plus) entre le moment où les articles sont soumis et celui où nous passons sous presse; tout cela dépend des commentaires des évaluateurs et de l’emploi du temps des auteurs, sans parler des particularités de l’horaire d’impression et d’autres facteurs du même genre. Dans ce cas, pourquoi publier? Pour moi, l’un des plus grands atouts de l’édition savante est qu’elle permet à des idées de croître avec le temps, de s’enrichir, de s’approfondir, de se préciser grâce au processus d’évaluation par les pairs et la révision. Comme le vin (ou la bière, si vous préférez), la réflexion s’améliore quand on laisse fermenter les idées. Notre objectif, en tant que revue savante, n’est pas de déverser des flux d’informations dans la médiasphère sans cesse assoiffée de nouveauté. Nous souhaitons plutôt publier des articles de recherche captivants, convaincants et rigoureusement documentés qui font progresser le domaine des études du théâtre et de la performance. Tout cela prend du temps. Le temps, bien sûr, est complexe : il est incessant, linéaire, non linéaire, circulaire, transformateur, destructeur, politique, précieux. Parlant de temps, donc, j’espère que vous nous accorderez un peu du vôtre et que vous passerez quelques heures (ou plus) à nous lire.
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 | 0.003 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.087 | 0.057 |
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".