Des VFX dans l’espace public. Les utopies politiques de la réalité augmentée
Bibliographic record
Abstract
A vec le développement des plateformes mobiles, la réalité aug- mentée est en pleine extension et elle conquiert progressivement l'espace privé et public.Dans la compétition féroce qui s'engage pour l'attention -et pour le marché -, les compagnies rivalisent d'ingéniosité pour vendre leurs applications, leurs plateformes, leurs technologies.Le web est inondé de vidéos promotionnelles, relayées sur tout le réseau par les amateurs, qui offrent de ces technologies une image non seulement bonifiée, mais aussi utopique, dans la mesure où elles présentent souvent les produits avant même qu'ils ne soient mis au point -pour susciter le désir des consommateurs et, surtout, pour intéresser les investisseurs.Ces vidéos ont recours à des logiciels de compositing, de modélisation et d'animation, aux outils et aux procédés traditionnels des effets visuels auxquels le cinéma et le jeu vidéo nous ont habitués.On pourrait très bien considérer ces vidéos comme mensongères et insister sur la différence entre l'image projetée et les technologies disponibles.Mais, au rythme actuel de l'innovation, les technologies promises seront fort probablement réalisées, dans une large mesure.On préférera considérer ici que ces images manifestent exemplairement le programme esthétique de la réalité augmentée : une intégration lisse du réel et du virtuel, sur le modèle des effets spéciaux cinématographiques et vidéoludiques.Les espaces de la réalité augmentée D'une manière générale, la réalité augmentée permet d'introduire, avec une certaine interactivité et donc en temps réel, des données virtuelles dans l'espace réel.Elle couvre un ensemble de technologies et de dispositifs très variés : fixes ou portatifs, à main ou « têtier », des
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.179 | 0.037 |
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".