Digital Literary Mapping: I. Visualizing and Reading Graph Topologies as Maps for Literature
Bibliographic record
Abstract
Cet article est le premier de deux textes interdépendants issus d’un projet fondé par l’AHRC (R.-U.), Chronotopic Cartographies, dont le but est de cartographier les lieux et l’espace de la littérature. Il cherche à établir la valeur d’une approche topologique pour la cartographie de textes littéraires. Centré sur le concept bakhtinien de chronotope, ou relation espace-temps, qui sert de fondement à la cartographie numérique de la signification spatiale dans les œuvres littéraires, il s’ouvre sur la contextualisation de notre travail en relation au domaine de la géographie et de la cartographie littéraires. Puis il trace une distinction claire entre la cartographie du monde réel au moyen des SIG (comme cela se fait couramment en histoire ou en géographie, par exemple) et la cartographie relative au moyen de topologies, qui est essentielle selon nous à la cartographie des lieux et de l’espace fictionnels. Les modèles numériques actuels qui se rapprochent le plus de ce projet concernent l’analyse des réseaux sociaux et son adaptation à la cartographie des réseaux des personnages dans les textes littéraires. Après la contextualisation de notre travail en relation à ce projet de recherche, nous argumentons en faveur de l’utilisation des modèles topologiques en cartographie littéraire. Une variété de formes topologiques et leur signification pour la littérature sont ensuite examinées dans leurs rapports avec des exemples particuliers tirés du projet Chronotopic Cartographies.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".