Les angles morts des réponses technologiques à la Covid-19 : des populations marginalisées invisibles
Bibliographic record
Abstract
Cet article fait état de l’interconnexion entre les inégalités numériques et les inégalités sociales dans le contexte de la COVID-19. L’analyse de cette interconnexion permet d’identifier certains angles morts des réponses technologiques déployées durant les premières vagues de la pandémie, notamment au Québec, en particulier lorsqu’appliquées à des populations historiquement, socialement ou économiquement marginalisées. L’article fait la démonstration que ces réponses n’ont pas saisi le caractère multidimensionnel des fractures socionumériques. Plus particulièrement, l’omission de la nature et des liens entre les inégalités numériques et les inégalités en santé a eu pour incidence de ne pas considérer les aspects structurels de la marginalité de ces populations et donc d’ignorer leurs caractéristiques et leurs besoins spécifiques. Il convient alors de reconnaître les limites épistémiques des réponses numériques et d’intégrer des savoirs et des données de multiples sources afin de dépeindre un portrait exhaustif de la pandémie. Il s’agit, en particulier, d’inclure les savoirs et expertises des groupes de personnes qui sont actuellement invisibles au sein des données utilisées. Cette inclusion permettrait alors le développement d’outils plus représentatifs des besoins de l’ensemble de la population ; besoins qui seraient autrement restés dans l’ombre d’un cadre d’analyse essentiellement axé sur l’efficacité technique.
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 | 0.023 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.012 | 0.033 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".