Meeting my favorite memes : un face à face avec moi-mème
Bibliographic record
Abstract
Il y a quelques années, j’ai presque gagné 100 000 $ dans une émission de télé-réalité appelée Big Brother Canada. Je rêvais fièrement à ma victoire quand j'ai été rapidement ramenée à la réalité en étant évincée de la maison par les quatre autres concurrent.es. restant.es. Quelques semaines après la fin de l'émission, déçue et quelque peu déstabilisée, j'ai découvert que plusieurs images de moi circulaient de façon virale en ligne. En fait, j'étais devenue un mème ! Fascinée par cette nouvelle forme de langage que les mèmes semblent avoir créé sur mes réseaux sociaux au fil des ans, l'expérience de devenir un mème a suscité une grande envie de savoir ce que d'autres personnes ayant une expérience similaire à la mienne ressentent. Ma curiosité a inspiré cette recherche exploratoire dans laquelle je cherche à mieux comprendre ma mise en mème (ou mémification) à travers l’expérience vécue d'autres mèmes. Présenté sous la forme d'une création audiovisuelle accompagnée d’un script réfléchi, et soutenu par le concept de « face » de Goffman, ainsi que par les théories sur la « visibilité » de Voirol et Jauréguiberry, ce travail explore la face cachée des mèmes, le rapport entre individu-face-mème et les effets de devenir-mème.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.022 | 0.010 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.039 | 0.013 |
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".