Promesses technomnésiques et datafication de la mémoire personnelle
Bibliographic record
Abstract
Cet article examine les promesses technomnésiques formulées dans les discours d’entreprises développant des technologies de datafication de la mémoire personnelle (Google Photos, Apple Photos, Memoro, Personal AI). À travers une analyse des discours promotionnels de ces entreprises, l’article identifie une promesse générale d’automatisation des processus mnésiques, présentée comme solution à deux « problèmes » que ces entreprises ont contribué à construire : le trop-plein de données numériques et la faillibilité de la mémoire humaine. Cette promesse générale se décline en sous-promesses : l’« augmentation » de la mémoire par l’automatisation de la recherche active (anamnésis algorithmisée) et de l’évocation spontanée de souvenirs (mnémé algorithmisée) ainsi que la création d’un « double » numérique de soi par la datafication continue du quotidien. L’article montre que ces technologies opèrent une sélection normative du mémorable selon des critères qui ne répondent pas tant aux besoins des utilisateur·rice·s qu’à ceux (techniques, commerciaux, etc.) des entreprises qui les produisent. La mémoire personnelle se trouve ainsi transformée en matière statistique, excluant les dimensions sensorielles et les processus mnésiques complexes qui échappent encore à la datafication.
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 | 0.016 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.005 |
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".