L' intrusion de l’intelligence artificielle dans le roman africain: Overwatch: L’héroïne de Numbani de Nicky Drayden dans une approche afrofuturiste
Bibliographic record
Abstract
Les romans africains abordent fréquemment la question de la place de l'humain dans son environnement, son rapport au divin et à la vie, en mettant souvent l'accent sur la spiritualité et les relations humaines avec les autres êtres vivants et le sacré. Ces récits utilisent la mythologie et le symbolisme pour explorer les valeurs culturelles et les traditions propres à chaque communauté. Toutefois, un phénomène nouveau émerge dans la littérature contemporaine : l’introduction progressive de l’intelligence artificielle (IA) dans le quotidien des Africains, devenant ainsi une réalité incontournable. Cet article se propose d’explorer la présence de l’IA dans les romans africains, notamment à travers une analyse du roman Overwatch: L’héroïne de Numbani de Nicky Drayden, dans une perspective afrofuturiste. Il examine les enjeux sociaux et culturels liés à l'adoption de cette technologie, tout en réfléchissant à son impact sur l’humanité et l'avenir des sociétés africaines. L’approche afrofuturiste permet de questionner l’intégration de l'IA dans un cadre africain, tout en déconstruisant les récits occidentaux dominants de la science-fiction. L’étude s’intéresse également aux implications éthiques, aux risques de dépendance technologique, ainsi qu’aux menaces potentielles de déstabilisation des cultures et des traditions africaines.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.016 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".