Notice bibliographique
Résumé
As predictive technologies begin to extend past business and into government and culture, it is important to analyze what it is that they are providing. Often, these technologies are understood as telling us stories about what is going to happen – they attempt to demystify some aspect of the future. Yet, data – the grounds for all of these technologies – do not come with any context with which to situate a narrative. What then are predictive technologies giving us? In this essay, I use Walter Benjamin’s analysis of storytelling to develop a model of the relationship between ‘narratives’ and ‘data’. He describes a move away from storytelling in the early 20th century and into information, which I then extend to data and big data; while the core aspects of narrative are shucked away with this descension, we somehow find that predictive analytics appear to be telling stories through data. However, through an analysis of the relative capacities of both computer processes and humans capacities in relation to the concept of ‘council’ – a term here used to delineate suggested future courses of action in relation to some kind of predictive scheme - I argue that these predictions do not have the same implications that stories do. Rather, they take patterns from the past and apply them as projections toward the future, which, taken uncritically, means the reiteration of past patterns in the future. These technologies therefore create a kind of temporal uniformity that prevents change or serious derivation from the past. Defaulting to the decisions issued by predictive software, then, seriously hinders the possibility for different futures – the possibility that something genuinely novel could occur.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».