Navigating digital geographies: Black boxes, geospatial narratives, and the art of constructing location data
Notice bibliographique
Résumé
Smartphone location data are often treated as objective and self-evident—but it is neither. This article opens the black box of how location is constructed on the phone and in the cloud, arguing that these processes are foundational to digital geography and central to how its infrastructures take shape. Drawing on an original experiment conducted in Kingston, Ontario and Baltimore, Maryland, we reverse-engineer and document the different methods of producing location data in Android smartphones. In doing so, we reveal three intertwined, overlapping, and contested geospatial narratives: raw GNSS location data, Google’s computed location data, and the human narrative of embodied experiences. We analyze the frictions and contradictions among these narratives to demonstrate how location data are not simply measured, but actively produced through assemblages of surveillance, infrastructural power, and capitalist extraction. Against dominant portrayals of location as a neutral technical fact, our findings show that Google’s location services depend on off-phone processing, structured by opaque systems designed for control and profit. We call for a critical reorientation in how digital geographers engage with location technologies—not as passive tools, but as politically charged systems that mediate and monetize everyday life.
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,048 |
| Communication savante | 0,013 | 0,018 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».