Sobriété numérique et traitement des données massives : vers des stratégies d’innovation plus durables
Bibliographic record
Abstract
Cet article examine les défis liés à la soutenabilité du secteur numérique à travers des thématiques-clés telles que le cloud computing, la publicité ciblée, la vidéo en ligne, les cryptomonnaies et les intelligences artificielles génératives. Dans un premier temps, il explore les stratégies d’innovation adoptées par des entreprises de portée mondiale (Google, Facebook, Netflix et OpenAI) pour atténuer leur impact environnemental. L’étude met en lumière l’évolution des objectifs d’innovation, qui passent de l’amélioration des performances des produits à l’optimisation des processus de production dans un cadre souvent collaboratif. Ensuite, elle analyse la diffusion des pratiques de sobriété numérique parmi les prestataires informatiques, mettant en perspective leurs efforts, mais également les limites de leurs actions face aux enjeux de sobriété. Enfin, l’article examine la relation entre la sobriété numérique et la nature des plateformes technologiques, soulignant les défis spécifiques posés par les cryptomonnaies et les plateformes publicitaires. L’étude conclut par un ensemble de recommandations en matière d’information, de formation, d’incitations et de régulations pour promouvoir un secteur numérique plus sobre.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.008 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".