(Méga)données et campagnes électorales : entre Data Work, reproduction sociale et Data Justice
Bibliographic record
Abstract
L’usage des (méga)données en campagne électorale est une pratique répandue au Canada et au Québec depuis plusieurs décennies. Ces (méga)données et les bases de données qualifiées sont vues comme des outils efficaces et efficients pour une campagne victorieuse. Leur usage a mené à la marketisation et à la datafication des processus électoraux, ainsi qu’à la professionnalisation de la gestion de données au sein des équipes de campagne. Or, ce ne sont pas que les structures internes des partis politiques qui ont changé dans la foulée de ces Data-Driven Campaigns. Les relations de pouvoir entre l’électorat et le politique s’en sont d’autant plus renforcées. Ce texte cherche alors à comprendre comment le Data Work s’inscrit comme travail de reproduction sociale dans les processus électoraux démocratiques. Je tente une réponse en mettant de l’avant le travail et les relations de pouvoir qui entourent ces données. J’aborde également la place des systèmes d’oppression dans ce capitalisme de données et pose l’horizon de la co-libération et de la Data Justice pour une démocratie plus juste. À travers ce projet, je souhaite contribuer au débat sur l’usage des technologies de données dans nos institutions publiques et recentrer les gens dans nos processus électoraux démocratiques. Je crois que les électeur·rices ont le droit de savoir comment les technologies de campagne informent leurs possibilités de participation à la démocratie canadienne. J’espère aussi que mon analyse jette une perspective rafraichissante sur la politique institutionnelle et permet une redéfinition du politique comme un espace de participation plus large dans l’imaginaire collectif.
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 | 0.043 | 0.122 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.011 |
| Science and technology studies | 0.015 | 0.033 |
| Scholarly communication | 0.025 | 0.020 |
| Open science | 0.003 | 0.014 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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".