Big Data - Open Data : Quelles valeurs ? Quels enjeux ?
Bibliographic record
Abstract
Le Big Data s’inscrit, pour reprendre l’expression foucaldienne, dans la « volonté à disposer des hommes et des choses » et représente une gouvernementalité algorithmique (Rouvroy et Berns, 2014). Si les analyses foucaldiennes se sont beaucoup centrées autour de problématiques institutionnelles, il est moins fréquent d’aborder la gouvernementalité sous l’angle de la sémiotique. Pourtant, en tant que forme de gouvernementalité, le Big Data s’y prête bien puisque, d’une part, il s’inscrit dans une logique de production du sens qui va de la donnée, à l’information et au savoir (Kitchin 2014). D’autre part, cette logique de production se déploie par le biais d’une économie politique du signe, ne serait-ce que par ses modalités sociopolitiques et techniques qui à la base déterminent ce qui est capté et ce qui ne l’est pas (Vris, 2013). En ce sens, nous nous proposons dans cet article d’analyser la dynamique de gouvernementalité algorithmique associée au Big Data par le biais de ses dimensions sémiotiques. Plus concrètement, nous dissèquer-ons celle-ci en ses deux moments constitutifs, soit le mode de légitimation de cette gouvernementalité et ses modalités de subjectivation pour ainsi éclairer comment le Big Data peut produire une « action sur l’action ».
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 | 0.028 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.013 |
| Science and technology studies | 0.005 | 0.022 |
| Scholarly communication | 0.035 | 0.069 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.005 | 0.014 |
| Insufficient payload (model declined to judge) | 0.007 | 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".