MétaCan
Menu
Retour à la cohorte
Enregistrement W4207003199 · doi:10.4000/interfaces.4208

Challenging the Selfie: Perfect Skin by Chatonsky

2021· article· en· W4207003199 sur OpenAlex
Claire Larsonneur

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueInterfaces · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueSexuality, Behavior, and Technology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSelfieMeaning (existential)Representation (politics)The artsSocial mediaVisual artsPerceptionArtAestheticsComputer scienceMedia studiesSociologyEpistemologyPhilosophyWorld Wide WebLaw

Résumé

récupéré en direct d'OpenAlex

In the series Perfect Skin launched in 2015, Gregory Chatonsky, a French Canadian artist, ran an AI programme on the more than 5000 Tumblr and Instagram selfies posted by Kim Kardashian, to create distorted and serial representations of the celebrity which were then reproduced through a series of media: photo, video, textiles, ceramics, VR. Chatonsky challenges the genre of the selfie on several accounts. He highlights issues such as scale and exposure within the infoglut. Using algorithms also enables him to trigger cognitive and artistic shifts: from the visual arts to mathematics, from representation to data, from creative control to chance, from recognition to perceptual aporia, from social media to the gallery. These distorted and serialised images, “organes sans corps” to take up Deleuze’s famous concept, may pertain to a regime of meaning based on affect, as defined by Brian Massoumi, rather than on mimesis.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,493
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,339
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle