Comedie-Italienne of Paris (1716-1779) : studiyng the repertoire by creating a relational database
Bibliographic record
Abstract
La thèse présente la création d'une base de données relationnelle pour représenter et étudier le répertoire de la Comédie-Italienne de Paris au XVIIIe siècle (1716-1779). Observant ce travail du point de vue des humanités numériques, une double réflexion est menée : d'un côté on analyse les conséquences de l'utilisation d'une technologie comme la base de données au sein des études théâtrales, et en particulier dans l'écosystème des recherches sur la Comédie-Italienne de Paris. De l'autre côté on étudie la création-même des données, afin d'évaluer plus largement la valeur épistémologique des résultats obtenus. La première partie présente concrètement le travail effectué : des objectifs de recherche, aux productions informatiques (en l'occurrence il s'agit du modèle abstrait des données et de l'interface de consultation du projet), à l'interopérabilité. La deuxième partie montre de quelle manière la base de données et la plateforme de consultation peuvent être utilisées, avec quatre cas d'études, ainsi qu'une observation de l'utilisation de l'interface par deux chercheurs en humanités. La troisième partie est dédiée à la discussion des résultats de la recherche, avec des approfondissements sur les aspects méthodologiques et épistémologiques, ainsi que sur l'écologie en contexte numérique. La thèse soutient globalement que, en dépit du caractère autonome qui est souvent attendu des productions numériques, celles-ci se fondent en réalité sur une activité de sélection, où l'humain attribue un sens à des symboles afin de les interpréter. Ce travail défend ainsi l'idée que ce type d'interaction entre l'être humain et l'ordinateur est d'un intérêt fondamental pour nos sociétés actuelles : les humanités numériques apparaissent ainsi comme un champ de recherche qui peut favoriser des productions informatiques socialement et écologiquement vertueuses.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".