La médiation numérique : renouvellement et diversification des pratiques
Bibliographic record
Abstract
Cet article présente les résultats de la deuxième phase d’un projet de recherche visant à développer une interface bilingue pour le repérage d’images numériques. Le principal objectif de cette phase de l’étude était d’examiner le rôle et l’utilité des fonctionnalités disponibles pour le processus de repérage d’images, du point de vue de chercher d’images. Un questionnaire bilingue (français et anglais) comportant des questions ouvertes et fermées a été élaboré et administré à deux groupes de participants : 20 répondants de langue française et 20 de langue française anglaise. Les données quantitatives recueillies ont été analysées selon des méthodes statistiques, tandis que le contenu des questions ouvertes a codé pour identifier les thèmes émergents. Cette étude montre que le processus de repérage d’images présente encore des difficultés et des frustrations pour le chercheur d’image. Les conclusions établissent que la recherche par mot-clé reste la principale méthode de repérage, comparativement au repérage par catégories prédéfinies ou par à l’aide d’une image ou d’un dessin. Finalement, les résultats de cette étude exploratoire mettent en relief plusieurs fonctionnalités comme une partie intégrante du processus de repérage d’images et révèlent l’importance d’être en mesure de repérer des images avec des mots extraits de plusieurs langues.
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 | 0.016 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".