La spatialité algorithmique : apports, limites et réductions de la personnalisation algorithmique dans l'assistance à la navigation et au wayfinding
Bibliographic record
Abstract
La présente thèse de doctorat s’intéresse à l’assistance à la navigation et à la planification d’itinéraires (wayfinding) fournie par les systèmes d’aide à la navigation — communément appelés « GPS » — et les plateformes cartographiques en ligne (p. ex. Google Maps). Les sciences cognitives, qui forment avec la géographie humaine le socle théorique et conceptuel de cette thèse, offrent deux énoncés de base : des instructions de navigation optimales incluent nécessairement des points de repère à chaque changement de direction ; l’aide au wayfinding à partir d’un support cartographique n’est effective que si l’utilisateur acquiert ou dispose d’un minimum de connaissances spatiales. Dans un contexte où les données massives (Big data) prennent une ampleur considérable, la personnalisation algorithmique tend à s’imposer comme une norme ; une fonctionnalité que tout système « intelligent » se doit de proposer à ses utilisateurs. Pour une partie de la communauté scientifique, la personnalisation d’instructions de navigation et d’itinéraires est donc synonyme d’évolution. Cette assertion mérite cependant d’être confrontée à l’épreuve des faits. Car après réflexion, une personne qui parcourt un environnement connu utilise-t-elle nécessairement un GPS ? Auquel cas, a-t-elle forcément besoin d’un point de repère familier à chaque changement direction ? Dans le même esprit, a-t-elle réellement besoin d’un itinéraire personnalisé lorsqu’elle prépare ses déplacements à l’aide d’une plateforme cartographique ? Évaluer l’impact de la familiarité spatiale dans le choix de points de repère (en situation de navigation) et la planification d’itinéraires (à partir d’une plateforme cartographique) constitue l’objectif de recherche principal de cette thèse. Celle-ci s’organise en deux volets complémentaires. Le premier se propose de vérifier à partir d’une expérimentation de navigation virtuelle s’il existe bien une relation statistiquement significative entre la familiarité spatiale et la saillance sémantique des lieux urbains. Le second volet se veut plus qualitatif et explore dans un premier temps les usages des plateformes cartographiques par le biais d’entretiens semi-directifs. Les stratégies cognitives de wayfinders familiers et étrangers aux villes de Québec et Montréal ont été analysées dans un second temps à partir d’expérimentations basées sur la méthode de la pensée à voix haute. Spécifiquement, les résultats de cette recherche démontrent que les lieux qui bénéficient d’une attraction sémantique élevée captent l’attention des individus qui ont une connaissance préalable de l’environnement parcouru. Ces mêmes individus ont par ailleurs tendance à sélectionner des points de repère familiers le long des itinéraires calculés automatiquement par la plateforme cartographique. Si ces résultats accréditent la thèse algorithmique, il est important de souligner que cette manière de procéder limite l’acquisition de nouvelles connaissances spatiales. Elle peut également engendrer d’autres dommages chez l’utilisateur comme une dépendance vis-à-vis du système ou bien une diminution de sa capacité à interpréter une carte. Dans la mesure où ces éléments remettent en question les bénéfices de la personnalisation des systèmes d’aide à la navigation et au wayfinding, il serait sans doute plus judicieux d’envisager des solutions qui favorisent l’engagement actif de l’utilisateur ; notamment dans la composition de l’itinéraire.
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 | 0.007 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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".