Materializing Data: New Research Methods for Feminist Digital Humanities
Bibliographic record
Abstract
This paper argues that materializing data may be a useful methodology in intersectional feminst digital humanities, because it requires close attention not only to the content of data and the contexts in which it is produced, but also to the individual, situated, differing knowledges that researchers leverage in the processes of generating, analyzing, and disseminating research data. We introduce two approaches to data materialization currently used at the qCollaborative, an intersectional feminist design research lab with nodes at the University of Waterloo, Mount Royal University, and the University of Illinois, Urbana-Champaign. The outcomes of these methods, which we call “forcing connections between the digital and the material” and “dwelling with embodied data in research scenes”, have included productive opportunities to: relax behavioural expectations and inhibitions; leverage tacit as well as explicit knowledges; engage in processes of vulnerable co-creation; engage in equitable co-creation of knowledge across differences in lived experience; cycle through stages of public representation, gathering, and presentation; account for the complex events, actions, and contestations that influence our processes of data-production, analysis, and remediation; generate research products that can become future research scenes for equitable data-dwelling processes; and leverage old-media tactics to intervene into harmful, normative digital cultures; and generate new conceptual paradigms; and: make explicit interventions into institutional cultures. These outcomes suggest the need for further work to develop a validated, transferable data materialization methodology for use by qCollaborative and and other digital humanities researchers. Résumé Cet article argumente que concrétiser des données peut être une méthodologie utile dans les humanités numériques féministes intersectionnelles, parce que cela nécessite une attention particulière non seulement accordée au contenu des données et aux contextes dans lesquels elles sont produites, mais aussi accordée aux connaissances différentes situées individuelles que les chercheurs exploitent durant le processus de générer, d’analyser et de disséminer des données de recherche. Nous présentons deux approches de concrétiser des données, lesquelles approches s’utilisent actuellement à qCollaborative, un laboratoire de recherche stylistique féministe intersectionnelle qui a des noeuds à l’Université de Waterloo, à l’Université Mount Royal et à l’Université d’Illinois à Urbana-Champaign. Les résultats de ces méthodes, ce que nous appelons « forcer des connections entre la numérique et le matériel » et « analyser des données incorporées dans des scènes de recherche », incluent des opportunités productives pour : écarter des attentes de comportement ; pour exploiter des connaissances explicites et implicites ; pour s’engager dans des processus de co-création vulnérable ; pour s’engager dans la co-création équitable de connaissances en fonction de différences dans des expériences vécues ; pour parcourir les cycles des étapes de représentation, de rassemblement et de présentation publics ; pour justifier les évènements, les actions et les contestations complexes qui influent sur nos processus de produire, d’analyser et d’assainir des données ; pour générer des produits de recherche qui peuvent devenir des scènes de recherche futures pour des processus équitables d’analyse de données ; pour exploiter des stratégies de vieux médias pour intervenir dans des cultures numériques normatives nocives ; pour générer de nouveaux paradigmes conceptuels ; et pour effectuer des interventions explicites dans des cultures institutionnelles. Ces résultats suggèrent la nécessité de travail supplémentaire pour le développement d’une méthodologie transférable validée qui concrétise des données exploitables pour qCollaborative et pour d’autres chercheurs des humanités numériques. Mots-clés: qCollaborative; humanités numériques féminists; concrétiser des données; forcer des comparaisons; analyser des données
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 | 0.163 | 0.139 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.011 | 0.007 |
| Science and technology studies | 0.006 | 0.056 |
| Scholarly communication | 0.020 | 0.034 |
| Open science | 0.006 | 0.019 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.018 | 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".