The memory of landscape : production of prehistoric space in the Seine-Yonne interfluve (France) and in Istria-Kvarner (Croatia)
Bibliographic record
Abstract
Habiter un espace revient à habiter son histoire. C’est une histoire subie, l’héritage des développements antérieurs, mais c’est aussi une histoire transmise, une mémoire collective activement entretenue.Cette thèse examine le rôle de la mémoire collective dans la création des paysages et des territoires de la Protohistoire européenne (fin IIIe – Ier millénaire av. n. e.). Quatre études sont présentées, portant sur deux zones spécifiques, l’une dans le Bassin parisien (interfluve Seine-Yonne) et l’autre au bord de la mer Adriatique (presqu’île d’Istrie et baie du Kvarner).Les études sont regroupées dans deux thématiques majeures. La première porte sur les ancrages mémoriels, en l’occurrence les nécropoles. Comment entretient-on ces lieux de mémoire, dans quel but ? Il s’agit de comprendre non seulement leur emploi pour la commémoration du passé ancestral, mais aussi leur rôle dans la constitution du temps social.La seconde thématique se focalise sur le territoire en tant qu’institution sociale. Durant la Protohistoire, l’appropriation de l’espace, bien qu’intimement liée aux pratiques, au mode de vie, est souvent exprimée par la gestion des nécropoles : l’emprise sur le présent passe par l’emprise sur le passé. Quel est le caractère du territoire ainsi instauré, par quelles pratiques a-t-il été mis en place ? Les études de cette partie font appel à l’analyse de visibilité afin d’évaluer l’impact visuel des structures dans le paysage et, par-là, d’étudier le « discours paysager » qui se déploie au travers des interventions dans le paysage.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".