Monnaies puniques et neo-punique en Gaule Belgique. Enquete archeologique / historique et utilisation des SIG
Bibliographic record
Abstract
Etude des types de localisation des découvertes de monnaies puniques et néo-puniques en France, Belgique, Luxembourg, et en d'autres zones du nord-ouest Européen, à travers l'application des systèmes d'information géographique (SIG). L’étude commence par laréalisation d'une base de données des découvertes de monnaies, accompagnées d'informations sur le contexte archéologique et leur datation. Lesdonnées complémentaires sur la composition (notamment physico-chimique) des monnaies sont introduites dans la base lorsqu’elles sontdisponibles. Le géoréférencement de cette base de données des découvertes nous a permis d'offrir des interprétations numismatiques etarchéologiques sur un grand nombre de monnaies, en permettant l’intégration d’informations complémentaires comme la présence de cours d'eau,de sites archéologiques, d’activités navales, de voies terrestres et de mines. L'estimation et l’enregistrement des incertitudes des données saisiespermettent également une étude sur les modèles de localisation. De cette manière, il sera possible d'attribuer une potentialité différente auxdécouvertes accompagnées par leurs informations archéologiques et à l'incertitude de celles qui sont sorties de leur contexte archéologique. Ainsi,il sera possible d'établir des itinéraires de pénétration plus pertinents qui pourront être améliorés lors des enquêtes et des prospectionsarchéologiques futures. Par ailleurs, une étude analytique approfondie de la composition des monnaies (en particulier celles de la région de Reims)est prévue pour le développement futur. Toute cette étude est conduite dans le but de comprendre les raisons qui ont permis la diffusion d’un sigrand nombre de monnaies puniques en dehors de leurs zones de circulation habituelles.
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 | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| 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".