Quelles expériences intimes et pratiques effectives de la course à pied quantifiée? Étude des usages « ordinaires » des montres connectées chez des coureurs et coureuses amateur.es à partir d’une auto-explicitation en temps réel
Bibliographic record
Abstract
Cet article s’intéresse à l’expérience vécue de la course à pied autoquantifiée digitalement. Ont été étudiés 16 pratiquants réguliers, fortement diplômés et s’automesurant de longue date, et ce, au moyen d’une approche phénoménologique croisant des auto-explicitations en temps réel et des entretiens semi-directifs. L’objectif consistait à documenter, chez ceux qui persistent dans le self-tracking, les modes « ordinaires » d’interaction avec les outils connectés. Sont identifiés trois types d’usages experts incorporés permettant de se mettre en chiffres tout en continuant à prendre du plaisir : la différenciation et l’alternance temporelles ; l’ajustement in situ des objectifs ; la contextualisation des données. Suivant leur degré d’élaboration cognitive, ces utilisations relèvent davantage de « tactiques spontanées » ou de « stratégies délibérées » ; elles ont, dans tous les cas, été forgées par des coureurs ayant appris (à interagir avec) leur montre au point que celle-ci ne dégrade plus la qualité de leurs expériences sportives.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".