Bibliographic record
Abstract
HitchBot est un robot auto-stoppeur créé par un laboratoire canadien en 2014, pour étudier les interactions entre les hommes et les machines. Il a la taille d’un enfant de six ans ; il a été fabriqué avec des matériaux simples pour ne pas tenter les voleurs : ses bras et ses jambes sont des frites de piscine ; il communique grâce à une intelligence artificielle, une reconnaissance vocale lui permettant de comprendre ce qu’on lui dit, d’avoir une conversation simple ; il prend des photos toutes les vingt minutes. Après avoir parcouru le Canada d’est en ouest, soit 10.000 km en 26 jours, il a été retrouvé démembré à Philadelphie… Qui a tué HitchBot, et pourquoi ?Entre fiction et documentaire, Killing Robots est une enquête sur le premier “roboticide” de l’histoire. À partir des photographies prises par la victime, trois comédiens, le musicien Mike Ladd ainsi qu’un robot conçu pour la scène, partent sur les traces des derniers jours de HitchBot. Que s’est-il passé entre les humains et ce petit personnage bricolé ? Quelle place a–t-il occupé dans les salles à manger, dans les chambres et salles de bain ? Comment peut-on s’attacher et développer une relation intime avec une machine qui simule ? On se délecte devant les hypothèses qui se succèdent, plausibles ou extravagantes, et, alors que l’écriture de Linda Blanchet joue habilement des échanges avec l’intelligence artificielle, le plateau se fait le lieu d’une plongée délirante et profondément juste dans les recoins de la conscience humaine.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.006 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.286 | 0.250 |
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".