Bibliographic record
Abstract
Cet article étudie les enjeux philosophiques abordés par Ian McEwan dans Machines like Me (2019), où il décrit les interactions complexes entre des robots humanoïdes commerciaux et leurs propriétaires humains. J'aimerais me concentrer spécifiquement sur la notion d'empathie que McEwan revisite et complexifie au fur et à mesure que les personnages interagissent et qu’Adam, le robot qui incarne l’IA, évolue. La présentation des personnages de robots humanoïdes, les Adam et les Eve, fait appel à plusieurs techniques d'empathie : le lecteur est ainsi incité à s'identifier à aux humanoïdes, ce qui occulte leurs rouages internes (mécanique, électronique et intelligence artificielle). Du fait de cette construction mimétique, les robots intègrent le champ de l’humanité et la complexité des relations sociales.Deux notions qui ont récemment fait l'objet de débats philosophiques et politiques, les politiques du soin et les techniques de surveillance, structurent le cadre dans lequel évoluent les personnages humains : Charlie, Miranda et Alan Turing. J'aimerais retracer l'archéologie de ces notions et montrer comment elles s’articulent dans le roman. Le sujet est d’autant plus d’actualité que les techniques d'IA se nourrissent d'une surveillance constante de nos vies à travers la production et l'exploitation de données par des agents intelligents (Sadin 2013). En décrivant l'interaction entre les institutions, les technologies et les actions humaines, McEwan situe l'empathie sur une scène plus large, publique et collective.Enfin, à partir d’une analyse des décisions d'Adam (l'humanoïde), j'aimerais revenir sur le lien qui se noue ici entre l'empathie et computation, plutôt qu’entre empathie et émotions. La réflexion de McEwan sur l'empathie croise ici les débats sur l'éthique de l'IA, notamment en termes de prise de décision et d'évaluation des risques.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.025 |
| Scholarly communication | 0.008 | 0.019 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.013 | 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".