Towards Acknowledgement and Accreditation of Digital Labour in Digital Humanities: A Case Study from Emerging Indian Digital Humanities Projects
Bibliographic record
Abstract
Digital labour (DL) in the context of digital humanities (DH) broadly comprises the process of data collection, curation, analysis, and visualization, leading to the creation of a final project. DL, when analyzed from an Indian DH perspective, consists of humanities scholars acquiring additional technical knowledge required for the research, finding suitable resources (technical and otherwise), infrastructures, and collaborating with other disciplines, etc. This DL, together with manual labour (ML) of writing about outcomes (Anderson et al. 2016), is complicated and time-consuming for DH scholars. Yet DL gets recognized due to the nascent state of DH in the subcontinent. Despite the evident DL involved in the creation and successful proliferation of DH projects, it is seldom addressed in academic scholarship (Anderson et al. 2016) and even more rarely in Indian DH academia. The lack of proper infrastructure (Anderson et al. 2016) and deficiency in technical knowledge (Thangavel and Menon 2020) have resulted in a greater DL among the DH practitioners in India when compared to their peers elsewhere, yet it has gone unrecognized, given the lack of literature and research on DL in Indian DH. The existing resistance in humanities towards accommodating the new approaches of DH (Greetham 2012) has made DL manifold. In an effort to recognize DL in DH, this paper attempts a definition of DL in DH, especially in the Indian context, followed by a broad classification of digital labourers (DLers) in DH in India. The paper utilizes a case study of selected DH projects in India to understand the gaps in recognizing the DLers and DL in Indian DH projects, especially the DL of students and researchers. The findings from the case study further lead to the proposal of a possible framework to address the emergence and evolving nature of DL in DH, as well as to compensate for the same appropriately. Le travail numérique (TN) dans le contexte des humanités numériques (HN) comprend largement le processus de collecte, de conservation, d'analyse et de visualisation des données, menant à la création d'un projet final. Lorsqu'il est analysé du point de vue des HN indiennes, le travail numérique consiste pour les chercheurs en sciences humaines à acquérir des connaissances techniques supplémentaires nécessaires à la recherche, à trouver des ressources appropriées (techniques et autres), des infrastructures et à collaborer avec d'autres disciplines, etc. Ce TN, ainsi que le travail manuel (TM) de rédaction des résultats (Anderson et al. 2016), est compliqué et prend du temps pour les chercheurs en HN. Pourtant, le TN est reconnu en raison de l'état naissant des HN dans le sous-continent. Malgré l'implication évidente du TN dans la création et la prolifération réussie des projets d'humanités numériques, il est rarement abordé dans les travaux universitaires (Anderson et al. 2016) et encore plus rarement dans les universités indiennes spécialisées dans les HN. Le manque d'infrastructures appropriées (Anderson et al. 2016) et les lacunes en matière de connaissances techniques (Thangavel et Menon 2020) ont entraîné une plus grande TN parmi les praticiens des HN en Inde par rapport à leurs pairs ailleurs, mais cela n'a pas été reconnu, étant donné le manque de littérature et de recherche sur le TN dans le domaine des HN en Inde. La résistance existante dans les sciences humaines à l'égard de l'adaptation aux nouvelles approches de HN (Greetham 2012) a multiplié les TN. Dans un effort pour reconnaître les TN au sein des HN, cet article tente de définir les TN pour les HN, en particulier dans le contexte indien, suivi d'une classification générale des travailleurs numériques (en anglais "digital labourers") dans les HN en Inde. L'article utilise une étude de cas de projets HN sélectionnés en Inde pour comprendre les lacunes dans la reconnaissance des travailleurs numériques et des TN dans les projets HN indiens, en particulier les TN des étudiants et des chercheurs. Les résultats de l'étude de cas conduisent en outre à la proposition d'un cadre possible pour aborder l'émergence et la nature évolutive des TN dans HN, ainsi que pour compenser ces mêmes TN de manière appropriée.
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 | 0.007 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.016 | 0.010 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.004 | 0.013 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 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 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".