De l’usage de Google Earth pour une contre-cartographie critique de l’extension carcérale
Bibliographic record
Abstract
Cet article explore les liens entre cartographie, systèmes d’information géographique (SIG) et espaces d’enfermement. Dans une perspective de réappropriation critique des SIG, il postule que des logiciels grand public tels que Google Earth peuvent contribuer à une contre-cartographie de l’extension carcérale à l’ère contemporaine. Appliquée à la prison de Champ-Dollon (Genève, Suisse), cette approche se montre pertinente pour déconstruire et contester le mythe des petites prisons suisses à vocation « humaine ». Les apports de la démarche contre-cartographique sont mis en évidence à plusieurs niveaux. D’un point de vue méthodologique, l’étude de cas illustre la manière dont les fonctionnalités d’exploration spatio-temporelle de Google Earth peuvent être exploitées ; en cela, l’article propose une méthode permettant d’appréhender les « circuits » carcéraux, réplicable à d’autres contextes. D’un point de vue épistémologique, elle révèle une dimension encore peu explorée du tournant punitif : celle de son encastrement dans le territoire et de sa matérialisation paysagère et architecturale. Enfin, d’un point de vue politique et transformatif, dans le sillage de Gillet al.(2018), l’article signale les potentialités des SIG comme outils de résistance à la prolifération actuelle des espaces d’enfermement.
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 | 0.009 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.005 | 0.023 |
| Scholarly communication | 0.013 | 0.015 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".