La sérendipité sur Internet : égarement documentaire ou recherche créatrice ?
Bibliographic record
Abstract
Caractérisée par une rupture apparente dans la causalité et un fonctionnement aléatoire, la sérendipité, ou le don de faire une découverte inattendue, interroge les domaines de la logique, de la sémiotique et de la recherche documentaire. Favorisée par la recherche sur Internet et la lecture non linéaire hypertextuelle, la sérendipité tend peu à peu à trouver une place légitime au sein de la recherche d’information. Cette réflexion interdisciplinaire s’ancre dans les domaines de la sémiotique, la logique, la documentation et les cultures numériques. À partir d’une lecture peircienne de la sérendipité, assimilant ce phénomène au concept d’abduction, j’effectuerai une analyse des moteurs de recherche et plus généralement de l’hypertextualité sur le Web 2.0. Les exemples convoqués seront quatre outils de recherche documentaire sur Internet, soit l’encyclopédie en ligne Wikipédia, le site Amazon et les moteurs de recherche Google et Oamos. À partir de ces analyses, il s’agira d’observer les impacts et les limites de la sérendipité dans le champ de la recherche d’information sur Internet. Favorisée par la structure du réseau, la sérendipité apparaît alors comme une disponibilité de l’esprit à l’improbable et soulève également le risque de recherches documentaires malheureuses à travers le phénomène inverse de zemblanité.
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 | 0.015 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.006 | 0.039 |
| Scholarly communication | 0.021 | 0.033 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".