L’apport des moyens numériques aux savoir-faire artisanaux en architecture : une analyse selon les modèles de la tectonique numérique d’Oxman
Bibliographic record
Abstract
Les moyens numériques ont transformé les pratiques en architecture notamment en facilitant la continuité des flux d’information entre la conception et la fabrication. À travers ce mémoire, nous explorons les contributions possibles de ces moyens dans un contexte de pénurie d’artisans et de perte de savoir-faire artisanaux en architecture. Nous nous sommes appuyés sur les modèles de la tectonique informée pour la conception à base des matériaux, documentés par R. Oxman (2014), qui regroupent un ensemble d’approches et d’outils numériques, afin d’étudier, dans un premier temps, les apports et limites de ces derniers à partir de plusieurs cas expérimentaux; c’est-à-dire expérimental. Ainsi, nous avons pu identifier certains savoir-faire artisanaux dont le déclin est possiblement compensable par les moyens numériques. Dans un deuxième temps, nous avons décelé les contributions des moyens numériques dans un projet à partir de l’analyse des exemples de la construction de la Sagrada Familia et la restauration du parlement canadien à Ottawa. Les principaux résultats de notre recherche sont : • Nous avons distingué que la modélisation paramétrique est plus adaptée au processus de conception tandis que la modélisation à base de relevés est plus appropriée pour la production des répliques. • Les outils numériques de fabrication permettent d’employer plusieurs types de matériaux. Elles assurent une rapidité et une précision dans la réalisation des artéfacts. Cependant, l’intervention des artisans demeure incontournable dans la majorité des cas. Les moyens numériques ont un grand potentiel pour compenser la perte des savoir-faire artisanaux et pour développer de nouveaux processus créatifs. Toutefois, à ce jour, ils se limitent au rôle d’assistants et devraient être perfectionnés.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".