Bibliographic record
Abstract
Dans son dernier livre, Golden Krishna constate que la multiplication et le recours sans cesse plus important aux écrans ont des effets néfastes pour les utilisateurs. L’auteur en appelle à imaginer des expériences sans écran, le No Interface. Ce livre, qui s’adresse d’abord avant tout aux experts dans le domaine du design, nous intéresse tout particulièrement en ce qu’il est symptomatique d’une tendance qui vise à diminuer les interactions avec les écrans au profit d’une plus grande automatisation et interopérabilité entre les objets connectés. Il s’agira dans cet article de saisir les dynamiques sous-jacentes liées à cette volonté de dissimulation des écrans. L’utilisation à outrance des gadgets technologiques, accompagnés par de nombreux capteurs, participe à une logique de surveillance. Nous étudierons cette tendance en nous appuyant sur l’idée de David Lyon et de Zygmunt Bauman d’une surveillance « liquide ». Ces analyses nous permettront de circonscrire la dynamique du No Interface dans un contexte de société consumériste qui encourage les individus à participer et à se soumettre d’euxmêmes aux différentes formes de surveillance en utilisant les différents objets et services connectés. Un autre argument au cœur du No Interface repose sur l’apparente simplicité et fluidité d’utilisation de ces dispositifs, puisque de nombreuses opérations sont prises en charge par la machine, et sur le gain de temps qui en découle. Nous montrerons que l’automatisation permise par le No Interface entraîne la création de nouvelles pratiques qui renforcent la surveillance tout en participant à la logique de la valorisation marchande.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".