"À quoi rêvent les algorithmes?" Le dernier ouvrage de Dominique Cardon
Bibliographic record
Abstract
Peppe Cavallari our ceux qui suivent les pistes de la recherche menée depuis plusieurs années autour des enjeux sociaux-politiques de la technologie par Dominique Cardon, ce dernier ouvrage était très attendu et marque l'achèvement temporaire d'une réflexion visant à déchiffrer la logique des algorithmes (en interprétant les rêves) qui s'annonçait dans les travaux précédents.En 2010, dans La démocratie Internet, le sociologue s'intéressait en effet à la politique des algorithmes, affirmant que P Les algorithmes qui permettent de hiérarchiser les informations enferment des principes de classement et des visions du monde.Ils structurent très profondément la manière dont les internautes voient les informations et se représentent le monde numérique dans lequel ils se promènent, sans toujours soupçonner le travail souterrain qu'exercent les algorithmes sur leur itinéraire 1 .Deux ans plus tard, l'enquête se faisait plus exhaustive et plus pointue, se focalisant sur le PageRank, l'algorithme de Google, dans un article devenu depuis une référence incontournable, où Cardon se demande à quoi rêve Google, le rêve étant déjà, tout comme dans le titre de l'ouvrage dont il est question ici, la représentation intime et secrète du monde que l'on désire et que l'on peut créer.« Le PageRank est une machine morale -écrivait Cardon.Il enferme un système de valeurs, donnant la prééminence à ceux qui ont été jugés méritants par les autres, et déployant une volonté : faire du web un espace où l'échange des mérites n'est ni freiné ni déformé 2 ».Dans cet article, Cardon décortiquait les composantes théoriques à la base de la création de l'algorithme qui avait fait le succès de Google et qui pourtant était déjà en crise.En effet, le principe d'autorité à la base de la hiérarchisation des informations 3 commençait à être ébranlé par une série de principes (popularité, affinité et efficacité) issus des pratiques sociales et commerciales des internautes.C'est pourquoi les ingénieurs de Google apportent sans cesse des modifications à l'algorithme.Ils en personnalisent ainsi les résultats, afin d'échapper à toute 1 Dominique Cardon, La Démocratie Internet.Promesses et limites, Paris, Seuil/La République des idées, 2010, p. 95. 2 Dominique Cardon, « Dans l'esprit du PageRank.Une enquête sur l'algorithme de Google », Réseaux, n. 177, 2012, p. 65. 3 Parmi les concepts sur lesquels se fondait le principe du PageRank, Cardon signalait ceux de « Sagesse des foules », « intelligence collective », « miracle de l'agrégation », « richesse des réseaux » ; ainsi, dans la synthèse de Larry Page : « De façon intuitive, un document doit être important (sans considération pour son contenu) s'il est beaucoup cité par d'autres documents » dans Method for node ranking in a linked database, Patent #6295999, 9 janvier (cité par D. Cardon, Ibid., p. 72).
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 | 0.006 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.007 | 0.011 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.014 | 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".