Data Segregation and Algorithmic Amplification: A Conversation with Wendy Hui Kyong Chun
Notice bibliographique
Résumé
Wendy Hui Kyong Chun is Simon Fraser University’s Canada 150 Research Chair in New Media in the School of Communication. She has studied both systems design engineering and English literature, which she combines and mutates in her current work on digital media. She is author of Control and Freedom: Power and Paranoia in the Age of Fiber Optics (Chun, 2006), Programmed Visions: Software and Memory (MIT, 2011), Updating to Remain the Same: Habitual New Media (Chun, 2016), and co-author of Pattern Discrimination (Apprich, Chun, Cramer, & Steyerl, 2018). She has been Professor and Chair of the Department of Modern Culture and Media at Brown University, where she worked for almost two decades and where she is currently a Visiting Professor. She has also been a Visiting Scholar at the Annenberg School at the University of Pennsylvania, a member of the Institute for Advanced Study (Princeton), and she has held fellowships from the Guggenheim, ACLS, the American Academy of Berlin, and the Radcliffe Institute for Advanced Study at Harvard. She has been a Visiting Professor at AI Now at New York University, the Velux Visiting Professor of Management, Politics and Philosophy at the Copenhagen Business School, the Wayne Morse Chair for Law and Politics at the University of Oregon, Visiting Professor at Leuphana University (Luneburg, Germany), and a Visiting Associate Professor in the History of Science Department at Harvard, where she is an Associate.
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 | 0,027 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,020 |
| Communication savante | 0,011 | 0,022 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».