Making room for numbers in self-care
Bibliographic record
Abstract
Loin d’interroger les usages des self-trackers – ces outils numériques de quantification personnelle – dans la perspective du mouvement californien du Quantified Self, cet article en étudie la cohérence dans le prolongement des techniques ordinaires de l’attention à soi. Sa proposition originale consiste à analyser les pratiques concrètes de quantifications personnelles par le prisme transverse du cycle de vie. Pour cela, il articule une enquête par questionnaire (n=1829) à une grande enquête qualitative (n=105). La première rend compte de la place conséquente des chiffres dans l’attention à soi : selon les classes d’âge, elle analyse les pratiques d’enquêtés qui sont entre 28 % et 43 % à conserver des traces numériques de soi, et dont 14 % à 27 % sont équipés d’un objet connecté de mesure. La seconde fouille l’entrelacement des enjeux qui sont au cœur de ces pratiques et montre que malgré la diversité des contextes individuels, les visées de la quantification de soi évoluent selon l’âge et le cycle de vie. Si la régulation d’une vie instable grâce aux automesures est un objectif répandu chez les plus jeunes, l’exigence de rationalisation des vies professionnelle, domestique et personnelle devient souvent centrale dans les usages de quantification après la naissance des enfants et cède la place, après 50 ans, à un souci de prévention contre les menaces de l’avancée en âge.
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 | 0.009 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".