Platforms and Knowledge Production in the Age of A.I.
Notice bibliographique
Résumé
Large-scale digital platforms designed by corporate publishers are increasingly shaping and reconfiguring all aspects of knowledge production and circulation. In the process, these platforms are reshaping the governance of academic labour in powerful but invisible ways. While designed to capitalize on the extraction, collection, and analysis of big data and their traces generated by researchers and their institutions, these platforms seek to create new markets and fashion new "values" in the forms of analytics that researchers seek. The AI in the title of this talk does not refer to Artificial Intelligence, although this is highly implicated in platform design and its logic. AI in this context refers to Automating Inequality, a term borrowed from Virginia Eubanks’ book <em>Automating Inequality:</em><em> </em><em>How High-Tech Tools Profile, Police, and Punish the Poor.</em> Analogous to Eubanks’ study, I argue that the predominant knowledge platform design favours the already "rich" in scholarly capital and institutional advantages and punishes the scholarly poor and those on the epistemic margins. Far from a democratizing force, open science has become a practice of complying with standards and funders’ policies and mandates, further exacerbating deep-seated structural inequalities in knowledge production. Reflecting on our many failed attempts at reclaiming the knowledge commons and co-creating open infrastructure, I call for new imaginaries and narratives of what open scholarship may look like or aspire to be. As infrastructure are fundamentally relational, we need to ask what kind of relationships we want to nourish.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».