La normalisation algorithmique dans la réalisation itérative des projets
Bibliographic record
Abstract
L’itération est une méthode de réalisation de projets qui consiste à expérimenter plusieurs hypothèses en même temps ou successivement. Une hypothèse est provisoirement validée à l’aune de données algorithmiques comme le nombre d’utilisateurs et la fréquence d’utilisation, selon une conception pragmatique de la vérité. Mener un projet selon une méthode itérative, c’est donc renoncer à s’orienter en fonction d’un idéal conçu a priori de manière cohérente et à défendre une conception cohérentiste de la vérité. Certes, le sujet ne cesse pas de légiférer, car l’objectivation, y compris algorithmique, est une construction normée du réel. Cependant, il tend à remplacer la norme comme règle par la norme comme moyenne. Pourtant, cette méthode implique une circularité : les projets étant réalisés en fonction de comportements normalisés par des dispositifs disciplinaires, ils participent à ce pouvoir disciplinaire et normalisent non seulement les comportements actuels mais aussi les projets futurs. C’est donc un enjeu politique que d’échapper à la gouvernance par les nombres pour recouvrer un gouvernement par la Loi. C’est à cette condition que des projets communs, expression de la volonté générale, pourront être le fruit d’une recherche démocratique des fins à poursuivre, ce qui est impératif à l’ère de la catastrophe environnementale.
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 | 0.014 | 0.045 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.004 |
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".