Digital: a love story, de Christine Love ; Intelligence Artificielle et cœur humain à l’épreuve de la littérature numérique
Bibliographic record
Abstract
Cet article explore l’imaginaire de la romance entre un humain et une intelligence artificielle à travers un exemple original, emprunté à la littérature nativement numérique. Dans sa nouvelle interactive de 2010, Digital, a love story, l’autrice canadienne Christine Love invente une intrigue amoureuse mêlée d’une enquête policière dans les labyrinthes du cyberespace dont l’un des protagonistes, *Emilia, est une IA qui apparaît puis disparaît mystérieusement sur les BBS, ces Bulletin Board Systems qui ont précédé les forums et autres espaces de messagerie tout au long des années 1980. Notre objectif est d’analyser de quelle manière Christine Love revisite le motif très codifié de l’amour homme-machine à l’aune des spécificités de son médium d’écriture. En effet, tout en s’inscrivant dans un dense réseau intertextuel truffé de clins d’œil à l’œuvre de William Gibson et au rétrogaming, Digital, a love story propose une réinterprétation très contemporaine de ce topos narratif grâce à son interface interactive et immersive, sa mise en avant d’un féminisme cyberpunk et le trouble qu’elle jette sur le genre de la protagoniste *Emilia, ouvrant la voie à une lecture queer de la romance avec une IA.
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.015 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 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".