Valoriser les institutions patrimoniales sur les réseaux sociaux: recommandations pour les Archives d’Etat de Genève
Bibliographic record
Abstract
Ce travail établit un état de l’art, tant théorique que pratique, de l’utilisation des réseaux sociaux dans les institutions patrimoniales, à savoir les centres d’archives, les musées et les bibliothèques. C’est l’occasion d’effectuer un comparatif des différents réseaux sociaux, afin de déterminer quels sont les outils les plus adaptés (publications programmées, public cible ou statistiques à disposition). Ils sont ainsi mis en parallèle, en fonction de leurs avantages et inconvénients, ainsi que de leur adéquation avec la politique interne des différentes institutions. La zone géographique étudiée se concentre essentiellement sur l’Europe francophone. Toutefois des excursions au Canada ont été jugées pertinentes en raison des pratiques particulières des institutions de ce pays qui peuvent dès lors servir de source d’inspiration aux européennes. Quant aux réseaux sociaux pris en compte dans ce travail, il s’agit de Facebook, Twitter, Instagram, Snapchat, WhatsApp, YouTube et Flickr. Les blogs et les wikis ont également été intégrés dans la mesure où ils permettent une forme d’interaction avec les usagers et qu’ils font partie de la grande famille des médias sociaux. Ce travail propose finalement une série de recommandations et des objectifs pratiques pour les différentes institutions considérées quant à leur utilisation des réseaux sociaux, en adéquation avec la sociologie des publics auxquels elles sont confrontées. Puis par la suite, des recommandations spécifiques pour les Archives d’Etat de Genève (AEG) ont été établies afin d’améliorer leur présence actuelle. Il s’agit donc de sélectionner la plateforme la plus adaptée à l’âge du public ciblé de bien définir qui est responsable de l’alimentation de ces plateformes, tout en respectant le cadre légal de l’institution. Une identité forte peut être ainsi mise en place grâce à une interactivité tant avec le public qu’avec les partenaires de l’institution. Enfin, une veille sur les publications est à mettre en place afin d’établir un processus constant d’amélioration des contenus en fonction de ce qui fonctionne auprès du public touché. Après analyse des 5 publications les plus appréciées sur les comptes Facebook et Twitter des AEG, il apparaît que, sur Facebook, ce qui touche à l’émotionnel et aux dates anniversaires est ce qui est le plus susceptible de faire réagir la communauté. Sur Twitter par contre, ce sont les publications professionnelles qui rencontrent le plus de succès.
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 | 0.029 | 0.073 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.012 | 0.016 |
| Science and technology studies | 0.014 | 0.022 |
| Scholarly communication | 0.036 | 0.027 |
| Open science | 0.005 | 0.013 |
| Research integrity | 0.008 | 0.010 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".