Working data together: The accountability and reflexivity of digital astronomical practice
Notice bibliographique
Résumé
Drawing on ethnomethodology, this article considers the sequential work of astronomers who combine observations from telescopes at two observatories in making a data set for scientific analyses. By witnessing the induction of a graduate student into this work, it aims at revealing the backgrounded assumptions that enter it. I find that these researchers achieved a consistent data set by engaging diverse evidential contexts as contexts of accountability. Employing graphs that visualize data in conventional representational formats of observational astronomy, experienced practitioners held each other accountable by using an 'implicit cosmology', a shared (but sometimes negotiable) characterization of 'what the universe looks like' through these formats. They oriented to data as malleable, that is, as containing artifacts of the observing situation which are unspecified initially but can be defined and subsequently removed. Alternating between reducing data and deducing astronomical phenomena, they ascribed artifacts to local observing conditions or computational procedures, thus maintaining previously stabilized phenomena reflexively. As researchers in data-intensive sciences are often removed from the instruments that generated the data they use, this example demonstrates how scientists can achieve agreement by engaging stable 'global' data sets and diverse contexts of accountability, allowing them to bypass troubling features and limitations of data generators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,119 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,016 | 0,132 |
| Communication savante | 0,024 | 0,039 |
| Science ouverte | 0,004 | 0,026 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».