Remuer ciel et terre. Apport du LiDAR à l'archéologie
Bibliographic record
Abstract
Dans l’Est de la France, la cartographie LiDAR a été utilisée à de nombreuses reprises. La dernière en date, a été réalisée sur un massif forestier du versant lorrain du massif vosgien, entre Remiremont et Epinal, dans le cadre du projet de recherche AGER (Archéologie et Géoarchéologie du premier Remiremont et de ses abords). Elle visait, en s'adossant aux méthodes archéogéographiques, à mesurer l’impact qu’eut l’abbaye de Remiremont, fondée au VIIe siècle, sur la gestion du sol et l’évolution du paysage, dans un environnement de moyenne montagne, sans rien négliger des aménagements humains antérieurs et postérieurs à cette période. Au terme de trois années de recherche, une restitution publique fera le point sur l’état d’avancement du projet dans le cadre des manifestations scientifiques et culturelles organisées pour la célébration du 1400e anniversaire de la fondation de Remiremont. Ce colloque, sera également l’occasion d’un bilan sur l’apport du LiDAR dans la recherche archéologique du Grand Est et de ses régions et pays limitrophes - enjeux, méthodologie, études de cas - en privilégiant, par souci de comparaison, des interventions de chercheurs travaillant dans des secteurs au relief contrasté.
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
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".