L'étude des données "grises" issues de la détection illégale de métaux : sauvegarde du patrimoine ou cercle vicieux du pillage?
Bibliographic record
Abstract
La pratique de la détection de métaux a connu un développement considérable durant les quarante dernières années. Prenant la mesure du risque que celle-ci faisait courir au patrimoine archéologique, les pouvoirs publics, à la suite de recommandations internationales, ont mis en place des législations pour tenter de diminuer son impact. Certaines nations à l’image de l’Angleterre et du Pays de Galles, et récemment des Flandres belges, considèrent néanmoins les utilisateurs de détecteurs de métaux plus comme des auxiliaires à la recherche que comme un réel risque pour le patrimoine archéologique, et les encouragent à déclarer leurs trouvailles aux autorités compétentes. De plus, les découvreurs d’objets exceptionnels peuvent se voir récompensés financièrement. En France, où la législation impose l’obtention d’une autorisation administrative pour utiliser un détecteur de métaux, les systèmes déclaratifs font figure d’exemples pour la communauté des utilisateurs de détecteurs, rêvant d’une « collaboration active » entre eux et les archéologues. Certains scientifiques, arguant que la détection illégale est une réalité qu’on ne peut combattre, font cependant le choix d’enregistrer et d’étudier les découvertes des utilisateurs clandestins de détecteurs de métaux, voyant ainsi la possibilité de « sauver ce qui peut l’être ». Cependant, divers exemples issus de l’actualité et de différents médias démontrent que, loin de son but originel, cette pratique offre une caution scientifique à la détection de métaux et une valeur marchande aux objets découverts, créant ainsi une demande alimentant le pillage du patrimoine.
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 | 0.059 | 0.215 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.008 | 0.008 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.021 | 0.024 |
| Open science | 0.006 | 0.008 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 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".