Données brutes ou hypersymboles ? Signification et données numériques, entre processus discursif et procédure machinique
Bibliographic record
Abstract
L’analyse de grands ensembles de données numériques (le plus souvent appelés « Big Data » ou « données massives ») constitue aujourd’hui une méthode de recherche de plus en plus populaire, consensuelle et couramment utilisée en sciences sociales. Avec l’automatisation de la collecte de données, la mathématisation de l’analyse et l’objectivation numérique, cette méthode gagne en efficacité et la valeur de vérité des résultats obtenus se renforce. Cet article établit, en premier lieu, une revue de littérature critique concernant la collecte et l’analyse des données massives et résume les débats éthiques actuels qu’occasionnent de tels outils informatiques de recherche. En second lieu, nous présentons un modèle sémiotique de la production et de la circulation des données numériques afin de problématiser l’idée selon laquelle les données donneraient à voir « le monde lui-même » (une présentation directe du monde surpassant tous les autres modes de représentation), plutôt que d’être un moyen de se figurer le monde (un mode de représentation parmi d’autres). Suivant l’approche sémiotique et la philosophie pragmaticiste de Charles Sanders Peirce, nous définissons alors la numérisation comme un processus sémiotique d’hypersymbolisation. Nous mettons ainsi en lumière l’apparente naturalisation du sens, l’illusion d’iconicité et la rhétorique sur lesquelles repose la valeur de vérité des données dans le contexte économique et politique de leur usage à des fins d’application lucrative. Nous décrivons ainsi quelques implications épistémologiques et éthiques découlant de nos modes de représentation et d’usage des données, ainsi que de la valeur d’autorité qui leur est attribuée. Ceci nous permet d’entrevoir plusieurs pistes pour l’étude critique de l’analyse des données massives dans une perspective sémiotique.
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 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.002 | 0.009 |
| Scholarly communication | 0.015 | 0.018 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".