La historia en la era de la abundancia: archivos web e investigación histórica
Bibliographic record
Abstract
¿La década de 1990 puede ser considerada historia del presente?. A medida que los historiadores se dediquen a estudiar este período y los sucesivos, se encontrarán con un registro histórico que es radicalmente diferente de lo que ha existido anteriormente. Las webs antiguas, las redes sociales, los blogs, las fotografías y los videos son parte de la abrumadora cantidad de información digital que los tecnólogos, bibliotecarios, archivistas y organizaciones como Internet Archive han estado recopilando durante las últimas tres décadas. El artículo explora cómo esta significativa variación en nuestro registro histórico cambió el trabajo de los historiadores. Lo hace de dos maneras fundamentales. Primero, describe los enfoques, métodos, herramientas y funciones de búsqueda que pueden ayudar a un historiador a convertir documentos web en fuentes históricas. En segundo lugar, considera las implicaciones del tamaño y la escala de las fuentes digitales, que equivalen a más información de la que los historiadores jamás han tenido al alcance de la mano, mucha de la cual es de personas que tradicionalmente han estado ausentes del registro histórico. Estos aspectos se han hecho tangibles a través de un minucioso estudio de caso, trabajando con el archivo web de GeoCities.com, una colección de cientos de millones de páginas web de la década de 1990.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
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".