Musées et muséologies : au-delà des frontières
Bibliographic record
Abstract
La question des tendances en muséologie se révèle d’une grande actualité tant les changements et les mutations se bousculent depuis deux décennies dans l’univers des musées et des patrimoines. Ceux qui suivent de près l’actualité dans les médias électroniques sont à même de constater que les musées sont en voie de se métamorphoser avec la multitude de transformations qui touchent à la fois la nature des collections, l’élargissement de la notion de patrimoine muséologique, les nouveaux problèmes de conservation et les nouvelles formes de médiations. Dans la même perspective, la multiplication des politiques patrimoniales suscite des changements profonds qui n’étaient pas anticipés il y a deux décennies. Nous avons convié des chercheurs et des praticiens du Québec, du Canada, de la France et de la Belgique provenant de différentes disciplines afin de partager leurs travaux et leurs réflexions sur les grandes tendances qui transforment l’univers du monde muséal. Ces diverses tendances se structurent autour de trois grands thèmes qui soulèvent des questions : « Nouvelles muséalisations : nouvelles muséologies ? », « Nouveaux enjeux : nouvelles perspectives pour l’objet muséal ? » et « Musée, muséologie : quel avenir ? »
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.015 | 0.047 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".