Meeting my favorite memes : un face à face avec moi-mème
Notice bibliographique
Résumé
Il y a quelques années, j’ai presque gagné 100 000 $ dans une émission de télé-réalité appelée Big Brother Canada. Je rêvais fièrement à ma victoire quand j'ai été rapidement ramenée à la réalité en étant évincée de la maison par les quatre autres concurrent.es. restant.es. Quelques semaines après la fin de l'émission, déçue et quelque peu déstabilisée, j'ai découvert que plusieurs images de moi circulaient de façon virale en ligne. En fait, j'étais devenue un mème ! Fascinée par cette nouvelle forme de langage que les mèmes semblent avoir créé sur mes réseaux sociaux au fil des ans, l'expérience de devenir un mème a suscité une grande envie de savoir ce que d'autres personnes ayant une expérience similaire à la mienne ressentent. Ma curiosité a inspiré cette recherche exploratoire dans laquelle je cherche à mieux comprendre ma mise en mème (ou mémification) à travers l’expérience vécue d'autres mèmes. Présenté sous la forme d'une création audiovisuelle accompagnée d’un script réfléchi, et soutenu par le concept de « face » de Goffman, ainsi que par les théories sur la « visibilité » de Voirol et Jauréguiberry, ce travail explore la face cachée des mèmes, le rapport entre individu-face-mème et les effets de devenir-mème.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,031 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».