La production en réseau à l’ère des Fablabs : ce que les alliances entre le réseau péruvien de Fablabs et les artisans et artisanes traditionnels peuvent nous révéler sur ce modèle
Bibliographic record
Abstract
Les modèles de production contemporains tendent de plus en plus à adopter la forme de réseaux où ses acteurs mettent en oeuvre des dynamiques de travail décentralisées et collaboratives pour répondre à leurs problèmes et intérêts communs. Le réseau des FabLabs incarne cet esprit sur lequel reposent les nouveaux rapports de production, en rassemblant les makers autour des valeurs de mutualisation des équipements technologiques et de libre circulation du savoir. Le présent article propose une analyse des transformations productives en cours par une enquête ethnographique effectuée auprès de FabLabs implantés au Pérou, où les makers cherchent à établir des alliances avec les artisans et artisanes traditionnels dans le contexte de la relance économique post-COVID-19. Nous pouvons avancer que, si ces alliances offrent aux artisans et artisanes certains outils pour faire face à la précarité, elles risquent également d'engendrer des asymétries au profit des makers disposant de ressources pour exploiter la création collective à des fins personnelles. Une réflexion sur les enjeux éthiques (engagement envers les interlocuteurs et interlocutrices) et épistémologiques (production du savoir scientifique) liés à l’enquête ethnographique accompagne la présentation de ces résultats.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 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".