Littérature et production de l'espace à l’ère numérique. L'éditorialisation de la Transcanadienne. Du <i>spatial turn</i> à Google maps
Bibliographic record
Abstract
À l’heure où l’espace que nous habitons est de plus en plus façonné par les outils numériques, pouvons-nous le façonner en l’éditorialisant ? La littérature peut-elle constituer un outil de production de l’espace ? Peut-elle nous permettre de nous réapproprier les lieux et les territoires en apparence dépossédés de toute valeur littéraire par les géants de l'information ? Pour le savoir, l’équipe de la Chaire de recherche du Canada sur les Écritures numériques a mis en place en 2015 un projet de recherche-action le long de l'autoroute transcanadienne. Cette route mythique qui traverse le Canada d’un océan à l’autre a en effet donné lieu à une large série de productions médiatiques : des images, des vidéos, des cartes, des textes d’histoire, des données numériques, mais aussi des récits littéraires. C’est ainsi que des infrastructures comme l’autoroute, les motels, se mêlent au discours et à l’imaginaire pour construire l'espace. Afin d’étudier cet espace hybride, nous avons entrepris de sillonner nous-mêmes l’autoroute transcanadienne dans un voyage qui nous a menés de Montréal à Calgary. Nous avons rendu compte en temps réel de notre road-trip sur différents réseaux sociaux, de manière à comprendre comment la littérature participe à la production de l'espace à l'ère du numérique en proposant différentes stratégies d'éditorialisation.
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 | 0.005 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.010 | 0.010 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.017 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.051 | 0.015 |
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".