La rencontre du sémiotique et du « numérique »: Le rôle d’une modélisation conceptuelle
Bibliographic record
Abstract
Résumé Dans cet article, nous discuterons de l’intégration du numérique à la sémiotique et proposerons qu’une modélisation conceptuelle puisse offrir un pont de dialogue entre ces deux domaines classiquement cloisonnés. Plus précisément, nous avancerons l’hypothèse que tout projet de recherche qui en appellera à l’informatique soit une démarche scientifique que s’il construit une théorie qui contient, en plus des modèles classiques que sont les modèles formel, computationnel et physique, un modèle conceptuel. Ce lieu, où les chercheur-es conceptualisent les multiples dimensions de leur objet de recherche, sera alors défini en tant que socle d’une relation solide entre la sémiotique et l’informatique. Nous verrons que les différentes définitions du modèle conceptuel convergent vers la thèse soutenant que la connaissance scientifique met en œuvre une instance de conceptualisation qui doit identifier les diverses dimensions du problème en plus de devoir s’exprimer de manière à ce qu’elle soit communicable entre les membres des communautés épistémiques. Nous verrons, enfin, qu’un projet de recherché sémiotique exige la construction d’un tel modèle afin de décrire, généraliser et sélectionner des problèmes et que ce même modèle, conceptuel, sera aussi nécessaire si le ou la sémioticien-ne utilise l’informatique dans le cadre de sa recherche.fr
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 | 0.012 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.025 |
| Scholarly communication | 0.013 | 0.016 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".