De la territorialisation à la globalisation: La pratique du tag en mouvement
Bibliographic record
Abstract
L’image à laquelle les tags nous renvoient semble n’avoir jamais été renouvelée depuis leur apparition dans les rues de New-York. Pourtant, la pratique à l’origine de ces tags, vieille d’au moins 50 ans, a traversé les frontières territoriales et outrepassé les attentes temporelles. Son omniprésence dans notre quotidien ne manque pas de rappeler sa vigueur. En effet, les adeptes se sont multipliés et ont proliféré par-delà des mégalopoles où leur présence est banalisée. L’objectif de cet article vise à définir les liens entre cette dernière assertion et l’évolution de la structure socio-spatiale des tagueurs. À partir des entretiens et des récits issus d’une observation-participante effectuée durant deux ans (2018-2020) au sein d’un groupe de tagueurs à Paris et ailleurs en France métropolitaine, deux formes de relations se répondent: celle des tagueurs avec le territoire, et celle du territoire avec les phénomènes de globalisation. Les résultats obtenus soutiennent l’idée selon laquelle les mutations territoriales globalisées reconfigurent l’espace social des tagueurs. Dès lors, en admettant que les tagueurs demeurent confinés dans leur structure originelle, de laquelle une « communauté imaginée » s’est forgée, une forme actualisée de la communauté est révélée.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.018 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".