L'étude des données "grises" issues de la détection illégale de métaux : sauvegarde du patrimoine ou cercle vicieux du pillage?
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
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.
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 | 0.005 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 it