Can we put a Number on it? Design Education Under Capitalism, Science, and Technology
Notice bibliographique
Résumé
In contemporary media contexts, graphic design work no longer focuses solely on the aesthetic or representational functionality of 2-dimensional design artefacts. In response to public expectations, economic imperatives, and dominant STEM narratives embracing technical innovation, design education is gradually reshaping and retooling itself in line with techno-capitalist purposes. Design education is becoming more science-driven, introducing more data-driven research methodologies and positivist approaches such as behaviourism, computer science, design engineering, and interactive design. As the discipline of design continues to evolve, there is a growing debate over whether design-making should fully embrace technology and digital media, displacing traditional design work and curriculum with data science epistemologies that align design education with corporate interests, big data, algorithmic culture, and ‘surveillance capitalism’ (Couldry & Mejias, 2019; Crawford 2021; Zuboff, 2019). This essay provides a critical perspective on current trends in design education sectors that embrace tech-oriented methodologies and design practices. I argue that uncritically translating the discipline of design for digital culture risks exacerbating these equity issues and power relations. Furthermore, this essay discusses what priorities in design education foster critical and even activist forms of creativity alongside building essential design skills as well as technical and aesthetic competences.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,036 |
| Communication savante | 0,020 | 0,031 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,009 |
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 ».