« Trying to avoid », « trying to conceive » : (re)produire une féminité contradictoire par la quantification
Bibliographic record
Abstract
En suivant les signes physiologiques du cycle de leur fertilité, les femmes peuvent produire de l’information sur soi qui constitue ainsi une technique alternative aux moyens contraceptifs et aux moyens d’aide à la conception hormonales et chirurgicales. Depuis 2009, des applications numériques mobiles soutiennent ces pratiques en offrant une plateforme permettant la quantification du cycle de fertilité. Loin de reproduire seulement une représentation du féminin devant respecter sa « nature » reproductive, les applications de gestion de fertilité promeuvent un idéal de contrôle de soi informationnel focalisé sur la domination de cette même nature. Cet article cherche donc à comprendre comment une technologie de gestion de la fertilité participe de la (re) production des catégories de genre. Nous y analysons cet objet à l’intersection de théories de la production d’un sujet féminin et de théories de la production d’un sujet néolibéral afin d’identifier quelles formes prennent ces catégories et les façons dont elles s’actualisent au sein de ces applications. L’application de gestion de fertilité Kindara professe que l’« empowerment » des femmes passe par le contrôle informationnel de soi, un « empowerment informationnel ». À travers l’étude de cas de l’application Kindara, nous verrons comment cet idéal d’« empowerment », associé à celui d’une réalisation de soi qui passe par la maternité, participe au sentiment d’impuissance des femmes incapables de concevoir un enfant, incapables de contrôler leur corps selon leur volonté.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.028 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".