Promesses technomnésiques et datafication de la mémoire personnelle
Notice bibliographique
Résumé
Cet article examine les promesses technomnésiques formulées dans les discours d’entreprises développant des technologies de datafication de la mémoire personnelle (Google Photos, Apple Photos, Memoro, Personal AI). À travers une analyse des discours promotionnels de ces entreprises, l’article identifie une promesse générale d’automatisation des processus mnésiques, présentée comme solution à deux « problèmes » que ces entreprises ont contribué à construire : le trop-plein de données numériques et la faillibilité de la mémoire humaine. Cette promesse générale se décline en sous-promesses : l’« augmentation » de la mémoire par l’automatisation de la recherche active (anamnésis algorithmisée) et de l’évocation spontanée de souvenirs (mnémé algorithmisée) ainsi que la création d’un « double » numérique de soi par la datafication continue du quotidien. L’article montre que ces technologies opèrent une sélection normative du mémorable selon des critères qui ne répondent pas tant aux besoins des utilisateur·rice·s qu’à ceux (techniques, commerciaux, etc.) des entreprises qui les produisent. La mémoire personnelle se trouve ainsi transformée en matière statistique, excluant les dimensions sensorielles et les processus mnésiques complexes qui échappent encore à la datafication.
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 | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».