Qu’advient-il de la sémantique et de l’interaction dans les transcriptions automatiques d’un logiciel ?
Notice bibliographique
Résumé
Cet article appréhende les enjeux relatifs aux transcriptions pour la connaissance scientifique en se focalisant sur des logiciels de transcription automatique appelés speech-to-text. L’article présente le fonctionnement général et les usages des speech-to-text, puis s’attarde sur le travail d’évaluation d’un logiciel spécifique réalisé en tant que sociologue. Cette évaluation a permis d’ouvrir la boîte noire du logiciel en déterminant de façon qualitative les sources de ses erreurs systématiques. Si le logiciel fournit incontestablement un environnement sémantique fiable, il rencontre deux types de problème de nature distincte qui sont confondus dans la littérature computationnelle : ceux générés par les limites des modèles informatiques du logiciel, pouvant se résoudre en améliorant les modèles du système, et ceux liés à la conversation ordinaire, d’ordre praxéologique, qui échappent à la machine. Une comparaison détaillée avec des transcriptions d’analyse de conversation montre comment le logiciel fait disparaître l’interaction de ses transcriptions.
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 | 0,001 | 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 | 0,003 | 0,005 |
| 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) | 0,013 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».