ALGORITHMIC PRODUCTION BEYOND SILICON VALLEY
Notice bibliographique
Résumé
The last years have seen a proliferation of research on the social ramifications of algorithms (Eubanks 2018; Noble 2018) and the power of algorithms was insightfully theorized (Gillespie 2016; Bucher 2018). At the same time, scholars have begun to examine the ties between algorithms and culture (Seaver 2017), describing algorithms as products of complex socio-algorithmic assemblages (Gillespie 2016, 24), with often very local socio-technical histories (Kitchin 2017). However, the spatial trajectories through which algorithms operate, and the specific sociocultural contexts in which they arise have been largely overlooked. Accordingly, research tends to focus on American companies and on the effects their algorithms have on Euro-American users, while, in fact, algorithms are being developed in various geographical locations, and they are being used in diverse socio-cultural contexts. That is, research on algorithms tends to disregard the heterogeneous contexts from which algorithms arise and the effects various cultural settings have on the production of algorithmic systems. This panel aims to fill these gaps by offering four empirical perspectives on algorithmic production in three prominent tech centers: China, Canada, and Israel. We will ask: How do cross-cultural encounters construct notions of privacy? How is algorithmic discrimination understood and acted upon in China? What symbolical and material resources were invested in making Canada’s AI hubs? And how Israeli tech companies use their algorithms to profile their Other? Hence, this panel offers to think beyond the Silicon Valley paradigm, and to aim towards a more diverse, culturally-sensitive approach to the study algorithms.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».