| Titre | La prédiction algorithmique comme activité sociale | |
|---|---|---|
| Auteur | Tyler Reigeluth | |
 |
Revue | Réseaux (communication - technologie - société) |
| Numéro | vol. 36, no 211, septembre-octobre 2018 Machines prédictives | |
| Rubrique / Thématique | Dossier : Machines prédictives |
|
| Page | 35-67 | |
| Résumé |
À l'heure du machine learning les algorithmes sont de plus en plus observés et analysés en termes comportementaux. Plus encore, l'apprentissage algorithmique est généralement présenté comme l'automatisation du caractère prédictif de nos comportements. En se confrontant à ce problème, cette proposition met en lumière son arrière-fond cybernétique tout en proposant une alternative à la fois épistémologique et sociale qui passe par une réactivation de la philosophie de Gilbert Simondon. Il s'agira plus particulièrement de penser l'apprentissage algorithmique à l'aune de sa théorie du cycle de l'image, et ce afin d'élaborer un cadre conceptuel à partir duquel il est possible de problématiser celui-ci comme une activité sociale au sein de laquelle comportements machiniques et organiques, automatiques et inventifs ne se distribuent pas selon un partage ontologique préétabli, mais s'informent activement. Ce cadre nous permettra, en outre, de jeter les bases de nouvelles perspectives sociologiques sur l'apprentissage algorithmique. Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
Algorithmic prediction as a social activity In the era of machine learning, algorithms are increasingly studied and analysed in behavioural terms. Algorithmic learning is generally presented as the automation of the predictive nature of our behaviour. Examining this trend, this paper highlights its cybernetic underpinnings and proposes an epistemological and social alternative that revives Gilbert Simondon's philosophy. More specifically, it conceptualizes algorithmic learning through the prism of his image cycle theory, in order to develop a conceptual framework for analysing algorithmic learning as a social activity within which machine and organic, automatic and inventive behaviours are not distributed according to a pre-established ontological split, but are actively informed. This framework also lays the foundations for new sociological perspectives on algorithmic learning. Source : Éditeur (via Cairn.info) |
|
| Article en ligne | http://www.cairn.info/article.php?ID_ARTICLE=RES_211_0035 |
