Sobriété numérique et traitement des données massives : vers des stratégies d’innovation plus durables
Notice bibliographique
Résumé
Cet article examine les défis liés à la soutenabilité du secteur numérique à travers des thématiques-clés telles que le cloud computing, la publicité ciblée, la vidéo en ligne, les cryptomonnaies et les intelligences artificielles génératives. Dans un premier temps, il explore les stratégies d’innovation adoptées par des entreprises de portée mondiale (Google, Facebook, Netflix et OpenAI) pour atténuer leur impact environnemental. L’étude met en lumière l’évolution des objectifs d’innovation, qui passent de l’amélioration des performances des produits à l’optimisation des processus de production dans un cadre souvent collaboratif. Ensuite, elle analyse la diffusion des pratiques de sobriété numérique parmi les prestataires informatiques, mettant en perspective leurs efforts, mais également les limites de leurs actions face aux enjeux de sobriété. Enfin, l’article examine la relation entre la sobriété numérique et la nature des plateformes technologiques, soulignant les défis spécifiques posés par les cryptomonnaies et les plateformes publicitaires. L’étude conclut par un ensemble de recommandations en matière d’information, de formation, d’incitations et de régulations pour promouvoir un secteur numérique plus sobre.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».