PREDICTIONS OF THE SELF: AI AND THE POLITICAL ECONOMY OF SUBJECTIVATION
Notice bibliographique
Résumé
The recent widespread availability of Artificial Intelligence (AI) technology and the extensive records of human activities and behaviour in digital format present serious challenges related to how individuals construct their own identities and social relations. AI systems datafy our body and our sense of self, producing a new cartography of biopower (Foucault, 1982) and a new form of the political economy of subjectivation (Langlois & Elmer, 2019) that treats individuals as objects from which raw material is extracted to produce predictive models that act as our data doubles (Haggerty & Ericson, 2000). Issues such as algorithmic social biases (Bolukbasi et al., 2016), the idealized and pragmatic economic uses of AI (Srnicek, 2017), and the consequent reproduction of already existing power structures by predictive models (Crawford, 2021) have been problematized in the literature. This paper asks what kinds of data and labour mobilization occur in and around the production of predictive models: What political economy and socio-technical conditions are involved in the production of AI? How do these conditions produce predictive models that shape our sense of self and identity? Focusing on Kaggle, a platform for crowdsourcing AI development, I use digital methods and a software studies approach to examine the practices of the data science community on three high-profile machine learning projects and conclude by arguing that machine learning has been thought of and developed as a prediction of the self in order to prescribe individual behaviour to fulfill specific economic conditions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».