Résilience et paysage : l’utilisation de la Resilience Theory en archéologie du paysage et en archéogéographie
Bibliographic record
Abstract
Ce texte introduit la publication de la session Resilience and Landscape: The Use of Resilience Framework in Landscape Archaeology and Archaeogeography organisée par la Commission Landscape de l'Union Internationale des Sciences Préhistoriques et Protohistoriques, dans le cadre du XVIII e Congrès de l'Union.Elle s'est tenue le mardi 5 juin 2018 à l'Université Paris 1 Panthéon-Sorbonne.Au cours de cette session, ont été accueillies sept communications utilisant le cadre conceptuel de la résilience en archéologie du paysage, en archéogéographie et en anthropologie.Développé d'abord en physique et en psychologie, le concept de résilience a été transféré en archéologie dans les années 1980 suite aux travaux de l'écologue canadien Crawford Holling, qui définit la résilience comme « une propriété qui permet à un système d'absorber et d'utiliser (voire même de tirer bénéficie) du changement » (Holling, 1978 : 11).En archéologie, la résilience est apparue particulièrement adaptée à la thématique des paysages car elle permet d'étudier des systèmes complexes associant à la fois des éléments structurants forts, pérennes dans le temps, avec des transformations incessantes opérées à d'autres échelles.En archéogéographie, le cadre conceptuel de la résilience a été utilisé dès les années 2000, pour décrire l'articulation entre les formes du présent et du passé dans des systèmes articulant des niveaux d'échelles macro et micro.Le concept de résilience est aujourd'hui largement investi par la géographie des risques, l'économie, la sociologie etc. où il fait l'objet d'un débat important.L'étude du paysage est un domaine où les archéologues peuvent jouer un rôle dans l'élaboration même du concept, notamment en permettant l'étude de cycles dans la longue durée.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.003 | 0.013 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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 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".