You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
53 lines
4.6 KiB
53 lines
4.6 KiB
{% extends "fr/base.html" %}
|
|
|
|
{% block results %}
|
|
<div id="intro" class="cross">
|
|
|
|
<blockquote>Échanges entre une <em>collection de manifestes cyber/technoféministes</em>
|
|
<br>et <em>l’algorithme “Term Frequency – Inversed Document Frequency” (TF-IDF)</em>.</blockquote>
|
|
|
|
<br>
|
|
<br>
|
|
<p>La lecture transversale permet un type de lecture spécifique, ne poursuivant pas un ordre linéaire, selon un parcours choisi. La lecture devient un acte de création de relations et de tissage de connections, via la traversée de différents domaines.</p>
|
|
|
|
<p>Cette liseuse transversale cyber/technoféministe s’établit sur deux axes, alliant la lecture d’un corpus de textes et celle d’un outil technologique. Le processus de lecture englobe un ensemble de manifestes ainsi que l’algorithme utilisé pour ce faire.</p>
|
|
|
|
<p>Ces lectures transversales connectent ...</p>
|
|
<p class="tfidf">... l’algorithme TF-IDF, de l’anglais <em>Term Frequency Inverse Document Frequency</em></p>
|
|
<p class="techfem">... et une <em>collection de manifestes cyber et technoféministes</em></p>
|
|
|
|
<p class="tfidf">Le TF-IDF est un algorithme utilisé communément afin d’identifier les mots les plus importants au sein d’un document. Cet algorithme a été en partie développé par l’informaticienne Späcrk Jones dans les années 70. Il est devenu l’un des algorithmes les plus importants pour un grand nombre de moteurs de recherche en ligne tels que Yandex ou Google. L’algorithme transforme les documents textuels en listes, où les résultats de recherche sont triés. Il utilise un mode de comptage inversé, sensible aux variations présentes au sein de ces documents.</p>
|
|
|
|
<p class="techfem">Les manifestes cyber/technoféministes lient pensée féministe et technologie, en introduisant le concept de serveurs féministes, des figures cyborg, des cyber-sorcières, voire des plaidoyers à la faveur du glitch comme artefact culturel numérique. Cette collection, évidemment non exhaustive, rassemble divers documents technoféministes publiés entre 1912 et 2019. Bien que ces manifestes évoquent des questions et préoccupations diverses, ils convergent sur le plan de l’énergie déployée. Ils posent l’urgence d’établir un constat, prêts à être mis en oeuvre.
|
|
<br><br>
|
|
Par ailleurs, il convient de noter que Karen Spärck Jones défendait la place des femmes dans le milieu informatique. <em>“J’ai essayé de réfléchir un peu – mais c’est très décourageant! - à la façon de parvenir à ce que plus de femmes soient présentes en informatique. Globalement, chaque personne réfléchissant sur le sujet finit par être déprimée, car nous reculons plus que nous ne progressons.”</em> <sup><a href="https://ethw.org/Oral-History:Karen_Sp%C3%A4rck_Jones#On_Getting_More_Women_into_Computer_Science">•</a></sup></p>
|
|
|
|
<p>Ces deux axes, celui de l’algorithme et celui des manifestes, opèrent ensemble. Ils se soutiennent et se renforcent mutuellement, créant de nouvelles dimensions de lectures via cette liseuse transversale.</p>
|
|
|
|
<p>L’algorithme TF-IDF génère une lecture transversale des manifestes tout en répondant à une requête. Il en ressort une liste de résultats autour du terme; un ensemble de déclarations, questions et préoccupations autour d’un même terme. Simultanément, l’algorithme interagit avec le format du manifeste : il est sensible aux puces typographiques, aux répétitions et aux mots uniques – des éléments qui caractérisent ces documents d’ordre déclaratif. L’algorithme donne la priorité aux formes textuelles très contrastées par rapport à celles ayant un style plus académique, à la répétition sur la diversité de vocabulaire, et à l’usage de mots uniques sur les mots plus communs.</p>
|
|
|
|
<p>Cet outil de lecture transversale est donc à considérer tel un exercice de lecture, à travers le champ commun de la pensée technoféministe et d’un outil de classification algorithmique.</p>
|
|
|
|
</div>
|
|
{% endblock %}
|
|
|
|
{% block suggestions %}
|
|
<br>
|
|
<h1>Suggestions de lectures croisées:</h1>
|
|
<div>
|
|
{% for word in suggestions %}
|
|
<strong class="query"><a href="/{{ lang}}/?q={{word}}">{{ word.strip() }}</a></strong>
|
|
{% endfor %}
|
|
</div>
|
|
<br>
|
|
<h1>Suggestions du mapping de contraste (top 100 TF-IDF résultats):</h1>
|
|
<div>
|
|
{% for tfidf, word in mappings %}
|
|
<strong class="query" style="font-size:{{ 50 + tfidf / 5 }}%;"> <a href="/{{ lang }}/?q={{ word }}">{{ word }}</a> </strong>
|
|
{% endfor %}
|
|
</div>
|
|
<br>
|
|
<p>Pour en lire plus au sujet <a href="/{{ lang}}/mappings/{{ filenames[0] }}">de l’algorithme TF-IDF et du mapping de contraste</a>.</p>
|
|
<br>
|
|
<br>
|
|
{% endblock %}
|
|
|