Professionnels, bénévoles, amateurs et citoyens : des acteurs de la recherche pour quels apports?
Bibliographic record
Abstract
Depuis les années 1970, l’archéologie s’est professionnalisée à une très grande vitesse avec l’évolution de l’administration française et l’explosion des postes en archéologie préventive. Les avantages apportés par cette évolution rapide doivent aujourd’hui tenir compte des acteurs non professionnels (bénévoles, amateurs et citoyens) dont la diversité a également évolué. En effet, la distance prise par les professionnels à l’égard de ces derniers se creuse un peu plus chaque jour. Pourtant, pendant longtemps, sociétés savantes et associations ont alimenté la production scientifique. Certaines ont même donné lieu à la création de centres de recherches associés parfois à la création d’un musée. Ces initiatives d’envergure issues de personnes morales peuvent également se retrouver au titre d’une personne physique. À des degrés très divers, bien d’autres archéologues bénévoles, se définissant parfois comme libres chercheurs, ont apporté leur pierre à la connaissance de l’être humain via une approche archéologique. Certains sont même devenus professionnels. Au travers de la présentation des apports et des limites des différents acteurs non professionnels de la recherche (en particulier archéologues bénévoles et chercheurs amateurs), nous mettrons en évidence l’importance qu’il y aurait à renforcer le lien entre professionnels et non professionnels pour la recherche archéologique de demain en mode science 4.0.
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 | 0.037 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.016 | 0.046 |
| Scholarly communication | 0.033 | 0.031 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.010 | 0.013 |
| Insufficient payload (model declined to judge) | 0.013 | 0.005 |
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".