On Digital Models: Responding to Viral Metaphors in Pandemic Times
Notice bibliographique
Résumé
COVID-19 has been a crisis represented and interpreted through models. Models are metaphors that illustrate one phenomenon in and through another that is better understood or seemingly more transparent. In this article, we consider digitally driven COVID-19 models that draw on the certainty of data from smartphones and social networks to make predictions about a poorly understood virus. Network data normally used to model information spread drive models of an actually existing biological virus. A return to HIV network models of the 1980s helps map the social implications of this latest turn to modeling. These earlier models were used to hone stigmatizing viral metaphors about behavior, risk, and exposure, in the shadow of an emerging digital culture. Thinking across COVID-19 and HIV modeling demonstrates how models can support personal responsibilization, be used to blame “bad” actors, and justify the creep of new surveillance practices under the rubric of “Data for Good” programs. Drawing on critical HIV and queer studies, we argue that the people and behaviors that are opaque to viral models and their methods of capture present potential avenues for speaking back to digital virality’s terms. We highlight these exceptions, which show how certain lives make trouble for models and their sensibilities, telling of queer forms of life, desire, and contact that evade modeling altogether.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,049 |
| Communication savante | 0,010 | 0,020 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».