Decolonial Prompting: Rewriting AI Toward Black Futures
Notice bibliographique
Résumé
This presentation develops a theory of decolonial prompting as a method of engaging large language models (LLMs) and other AI systems from the perspective of Black studies and decolonial thought. It argues that prompting is not a neutral technical skill but a political act situated within the coloniality of power, where race, knowledge, and humanity have been historically organized through Eurocentric hierarchies. Drawing on Quijano, Mignolo, and Wynter, the talk traces how modern AI systems inherit and reproduce colonial logics in their training data, defaults, and interfaces. It then introduces decolonial prompting as a practical method for Black scholars and communities to contest erasure, expose algorithmic anti-Blackness, and rewrite machinic outputs toward Black futures. Using case studies from my experience with OpenAI’s Sora and Canva, alongside mainstream chat and image models, the presentation shows how visual and textual outputs often encode Blackness as deficit or pathology. It maps the layered subject positions involved in prompting such as colonized subjects, programmers, validators, and corporate/state actors—and argues that every prompt is a negotiation between subject, object, and frame. The slide deck was prepared for the African Studies conference panel on AI, race, and decoloniality with the full paper published by the Cambridge University Press in the African Studies Review in 2026. It is intended both as a conceptual intervention and a practical resource for those seeking to engage AI critically and strategically, and in solidarity with Black and other marginalized communities.
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 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,008 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».