Bibliographic record
Abstract
Si l’omniprésence des chiffres au sein des sociétés occidentales a été largement documentée, rares sont les travaux qui se sont spécifiquement intéressés aux effets de la mise en nombre des pratiques culturelles sur les individus. Afin de caractériser les spécificités de la quantification lorsqu’elle s’applique à une activité aussi socialement valorisée — voire sacralisée — que les pratiques littéraires, nous avons conduit 31 entretiens semi-dirigés avec des lecteurs produisant ou consultant régulièrement du contenu littéraire sur Babelio, Livraddict ou Instagram — trois plateformes numériques ayant pour trait commun de faire figurer, au cœur de leurs interfaces, une multitude d’artefacts quantifiés : compteurs, statistiques, classements, pourcentages, graphiques, notes, etc. Notre objectif est ainsi de souligner la façon dont ce que nous appelons les « cultures de la quantification » favorisent une inflation des pratiques littéraires et un rapport managérial au soi lecteur. Cependant, et contrairement à d’autres formes de tracking, la quantification des pratiques littéraires n’implique pas seulement de maximiser ses métriques : le bon lecteur lit plus, et assidûment, mais ne lit pas trop — ce qui serait perçu comme un rapport déplacé, compétitif ou consumériste à la littérature. En somme, nous souhaitons montrer comment la quantification des pratiques littéraires favorise des discours et des pratiques souvent contradictoires, poussant les lecteurs à faire croître leurs métriques tout en manifestant une indifférence à leur égard, les invitant à augmenter la cadence tout en adoptant une posture ascétique, à réaffirmer la prévalence du plaisir de lecture tout en empruntant à l’entreprise néolibérale son ethos compétitif et sa grammaire managériale.
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 | 0.012 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".