L’engagement dans l’espace de la rencontre transférentielle
Bibliographic record
Abstract
Résumé Depuis une vingtaine d’années, les technologies de visualisation de données rendent visibles et intelligibles les nombreuses bases de données. La visualisation des données touche de plus en plus d’aspects de notre société, et n’épargne pas les lieux d’exposition qui s’interrogent sur les potentiels des données dans le contexte muséal. Nous proposons d’analyser cette forme visuelle dans l’exposition Kung Fu Motion (2018) réalisée par le centre ArtLab de l’EPFL de Lausanne. Cet article a pour objectif d’étudier l’expérience de visite et le rapport entre les technologies de visualisation de données et le visiteur. Dans un premier temps, cette démarche conduit à définir la nature de la visualisation de données. Ensuite, nous axerons la description de l’exposition afin d’interroger la manière dont il est possible d’interagir avec les données et de les interpréter dans un espace qui favorise une approche numérique. Pour conclure, nous avancerons certaines pistes de réflexion pour réclamer de nouvelles stratégies de la réception numérique à la fois informationnelle, mais également d’un point de vue esthétique.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.014 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.006 | 0.008 |
| Insufficient payload (model declined to judge) | 0.030 | 0.005 |
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".