THE MORALISATION OF PREDICTIVITY IN THE AGE OF DATA-DRIVENSURVEILLANCE
Notice bibliographique
Résumé
This paper argues that emerging technologies of datafication are intensifying a moralisation of predictivity. On one hand, this describes the growing pressure to quantify and predict every kind of social problem. Reluctance to adopt emerging technologies of surveillance is construed as abdication of a moral responsibility via negligence to inevitable progress. On the other hand, it describes the corresponding demand that human subjects learn to live in more predictable and machine-readable ways, adapting to the flaws and ambiguities of imperfect technosystems. This argument echoes that of Joseph Weizenbaum (1976), a pioneer of early AI research and the inventor of the ELIZA chatbot: that well in advance of machines fully made in our image, it is the human subjects that are asked to render themselves more compatible and legible to those machines. Drawing from a book-length research project into the public presentation of surveillance technologies, I show how messy data, arbitrary classifications, and other uncertainties become fabricated into the status of reliable predictions. Specifically, the bulk of the presentation will examine the rapid expansion of counter-terrorist surveillance systems in 2010’s America. All in all, the moralisation of predictivity helps suture the many imperfections of data-driven surveillance, and provide justificatory cover for their breakneck expansion across the boundaries of public and private. They perpetuate the normative expectation that what can be predicted must be, and what needs to be predicted surely can be. In the process, spaces for human discretion, informal norms, and sensitivity to human circumstance are being squeezed out.
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 | 0,046 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,064 |
| Communication savante | 0,018 | 0,037 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,012 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».