Bibliographic record
Abstract
Selon Paul Ricœur, « Le temps devient temps humain dans la mesure où il est articulé de manière narrative ; en retour le récit est significatif dans la mesure où il dessine les traits de l’expérience temporelle » (Ricœur, 1985). Le récit est, selon cette perspective, notre outil principal pour nous situer dans le temps – et pour situer le temps en nous. Par ailleurs, selon Bruno Bachimont, le numérique peut être caractérisé comme un « outil de déconstruction phénoménale de la temporalité » (Bachimont, 2010). Il se traduit en effet par deux tendances : le calcul temps réel, donnant l’impression d’immédiateté ; l’universalité de l’accès, donnant l’impression de la disponibilité. Le numérique, dans sa disponibilité et son immédiateté, aboutirait ainsi à un présent permanent, sans écoulement temporel. Que se passe-t-il donc lorsque le numérique rencontre le récit, lorsque l’on combine cette technologie et ce mode de discours qui se révèlent être en tension ? Récit numérique semblerait ainsi n’être rien moins qu’un oxymore. Pourtant celui-ci existe et prolifère même, sous des formes et approches diverses. Quelles expériences temporelles ces nouvelles formes de récits numériques construisent-elles ? Quelles nouvelles formes de récit, ou même quel nouveau concept de récit, ces nouvelles expériences temporelles construites à l’aide du numérique proposent-elles ? En s’appuyant sur trois exemples différents, un jeu narratif pour smartphone reposant sur des notifications, un récit sur le web basé sur un flux de données en temps réel, ainsi que le phénomène des stories proposées notamment par Instagram et Facebook, cet article se penche sur les rapports entre récit numérique et temporalité et sur le devenir du récit avec le numérique.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.011 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".