Academic literature on the topic 'Pratique computationnelle'

Cet article aborde les relations entre le langage visuel et les émotions. Cette exploration se compose de deux volets : le premier est consacré aux forces textualisées dans l’image, le second aux gestualités émotionnelles, à savoir aux pratiques énonciatives du corps qui accompagnent l’interprétation et l’appréciation des images. La première partie discute la contribution de René Thom à la réflexion sur les émotions de la contemplation esthétique face au déploiement des forces dans les tableaux ; tandis que la deuxième partie met en contraste l’analyse manuelle et l’analyse computationnelle au regard des gestes de l’analyste et de l’observateur. L’analyse manuelle est illustrée à travers la pratique d’enseignement de Roland Barthes au Collège de France, l’analyse computationnelle est en revanche prise en examen à partir des expériences de Lev Manovich et des Cultural Analytics.

La fin du XVIIe s. reste un angle mort de la recherche sur les systèmes graphiques, en dépit de l'importance de cette période pour l'histoire du français, qui s'est alors vu imposer une orthographe continuant encore aujourd'hui de régir, peu ou prou, son écriture. En privilégiant une approche pratique, sur corpus, plutôt que théorique, nous nous proposons de poser les bases d'une étude scriptométrique computationnelle de la langue classique, s'intéressant à son évolution au cours du Grand Siècle. Pour ce faire nous mesurons et évaluons la distance entre la langue classique et la langue contemporaine au moyen de deux méthodes de normalisation automatique, une avec des règles, et une autre avec un réseau de neurones.

Une sémiotique computationnelle n’est pas une sémiotique de la computation ni des outils numériques ou de la relation personne-machine. Il s’agit d’une approche qui dans sa modélisation des artefacts sémiotiques construit des modèles computationnels qui en appellent à des modèles conceptuels et formels. Plus précisément, un modèle formel se construit en regard de ce qui a été conceptualisé à propos des artefacts sémiotiques à l’étude et est aussi contraint par les exigences de la modélisation computationnelle. Cet article traite des enjeux de la modélisation formelle pour une sémiotique computationnelle, à savoir : (a) la modélisation formelle dans les pratiques sémiotiques, (b) les définitions d’une modélisation formelle, (c) le rôle déterminant d’un modèle conceptuel sur la modélisation formelle, (d) la contrainte qu’exerce la modélisation computationnelle sur la modélisation formelle et, enfin, (e) les limites qu’impose la modélisation formelle à la recherche sémiotique.

Cet article examine la relation entre l’application Facebook, de Meta Platforms Inc., et les journalistes francophones sous la loupe de l’hypothèse techno-féodale de Durand (2020) qui affirme que les grandes plateformes socionumériques établissent des rapports de prédation avec les médias d’information. Une analyse computationnelle des publications sur des pages Facebook administrées en Belgique, au Canada, en France et en Suisse nous permet d’étayer la capture infrastructurelle des médias opérée par Meta. Elle est suivie d’une analyse qualitative qui confirme que Meta remodèle les pratiques journalistiques et crée des nouvelles dynamiques d’extraction de la valeur.

La sémiotique computationnelle étudie l’interaction entre les processus d’émergence du sens et les systèmes formels, computables et numériques. En effet, l’une de ses hypothèses est la possibilité de décrire la sémiose à travers des métalangages formels et de la simuler par des procédés algorithmiques. Dans ce contexte, plusieurs pratiques d’analyse sémiotique se sont développées, à l’exemple de l’analyse de texte assistée par ordinateur (ATO). Avec cette dernière, en adoptant des techniques et des méthodes issues de l’informatique et de l’intelligence artificielle, les formes plus classiques de l’analyse de texte se joignent aux champs de recherche des humanités numériques. La sémiotique est ainsi appelée, entre autres, à discuter les enjeux de l’usage de ces techniques dans la recherche en sciences humaines et sociales. L’objectif de cet article est de présenter un survol de la sémiotique computationnelle et d’introduire le lectorat à certains aspects théoriques et méthodologiques de l’assistance informatique à l’analyse de texte. Plus particulièrement, le texte expose les étapes et les hypothèses de la transformation vectorielle du texte que présuppose l’ATO et discute des enjeux sémiotiques de deux procédures : la lemmatisation et la fonction de pondération.

La traçabilité sans précédent des pratiques sociales réactive des clivages qui ont divisé les sciences depuis le xixe siècle. L’abondance des données et la puissance de leur traitement semblent fragiliser la sociologie, alors même que la physique ou l’informatique investissent activement ses problématiques de prédilection. La sociologie n’aurait plus le monopole du social, dont les relations ne seraient pas si singulières, et pourrait faire l’objet de traitements éprouvés par les sciences de la nature. Afin de mieux saisir les enjeux relatifs au déploiement des dispositifs numériques à l’ensemble des pratiques contemporaines, nous proposons de distinguer l’évolution des relations sociales de l’observation de ces relations, de la production de connaissances et, enfin, de la production de sens, comme autant de « remédiations numériques ». Nous n’assisterions ainsi pas tant à une crise de la sociologie empirique qu’à la résurgence de l’idéal d’une physique sociale opposant aux qualités de l’interprétation la puissance de l’efficience. En faisant l’économie de plus d’un siècle de sciences sociales, ce projet promu par une science sociale computationnelle entretient pourtant de nombreux malentendus et une négligence surprenante de la réflexivité, récusant activement le propre de l’humain au profit de lois supposées universelles.

Résumé L'archéologie est depuis vingt ans le lieu d'un programme de recherches consacrées à une analyse formelle des constructions historiques, inspirée du paradigme computationnel. Les travaux menés dans cette voie apportent quelque lumière sur des questions d'épistémologie pratique, groupées ici sous trois titres: le sens et la place du " naturel " dans ces constructions (langage naturel, logique naturelle, raisonnement naturel) ; la manière dont on s'y accommode ou non de la pluralité des interprétations et de leur caractère réputé non cumulatif ; la viabilité des positions médianes recommandées aujourd'hui entre science et littérature ou sens commun. L'article expose les enseignements tirés du programme logiciste sur ces différents points, en archéologie, et s'achève par une interrogation sur leur pertinence dans les sciences sociales en général.

La médecine actuelle peut s’ancrer dans un paradigme nommé « computationnel ». La notion de computation vient du latin "computatio", qui renvoie au calcul (ou opération). Selon Turing, les sciences computationnelles correspondent, au sens large, à toute science du calcul. De ce fait, l’intelligence artificielle, vaste domaine scientifique largement résumé actuellement à l’apprentissage automatique (dont fait partie l’apprentissage profond, ou deep learning), est une science computationnelle. Ainsi, une part non négligeable de la médecine actuelle s’intègre dans le paradigme des sciences computationnelles, dont les enjeux mêlent à la fois la philosophie, la pratique clinique, les technologies numériques, les méthodes d’analyses de données, la modélisation des maladies et des comportements et l’étude des phénomènes physiologiques. Nous cherchons dans cet article à décrire le terme de « computationnel » en le réinsérant dans le contexte historique des sciences cognitives. Nous veillerons à ne détailler aucun enjeu normatif ni éthiques, en retraçant uniquement une historiographie du concept.

La médecine actuelle peut s’ancrer dans un paradigme nommé « computationnel ». La notion de computation vient du latin \textit{computatio}, qui renvoie au calcul (ou opération). Selon Turing, les sciences computationnelles correspondent, au sens large, à toute science du calcul. De ce fait, l’intelligence artificielle, vaste domaine scientifique largement résumé actuellement à l’apprentissage automatique (dont fait partie l’apprentissage profond, ou \textit{deep learning}), est une science computationnelle. Ainsi, une part non négligeable de la médecine actuelle s’intègre dans le paradigme des sciences computationnelles, dont les enjeux mêlent à la fois la philosophie, la pratique clinique, les technologies numériques, les méthodes d’analyses de données, la modélisation des maladies et des comportements et l’étude des phénomènes physiologiques. Nous cherchons dans cet article à décrire le terme de « computationnel » en le réinsérant dans le contexte historique des sciences cognitives. Nous veillerons à ne détailler aucun enjeu normatif ni éthiques, en retraçant uniquement une historiographie du concept.

Ce travail porte sur les pratiques computationnelles des enseignants congolais du primaire bénéficiaires d’une initiation à l’outil et aux services informatiques dans le cadre de l’initiative francophone pour la formation à distance des maîtres (IFADEM, en sigle). Il propose un discours qui s’éloigne de tout a priori de conformité et de non conformité aux normes d’usage prescrites par le corps des formateurs aux technologies de l’information et de la communication pour l’éducation (TICE). Ce propos doctoral a pour but de comprendre les mécanismes “retournés”, autant singuliers qu’individuels, autant inédits qu’instables, par lesquels chaque praticien ré-invente l’utilisation des TICE (pratiques d’usage computationnel anormes). Quels sont les facteurs représentationnels, contextuels, pédagogiques et translittératiques par lesquels certains de ces utilisateurs agissent en praticiens-refusants ? Pour répondre à cette problématique, nous avons effectué une analyse de type microsociologique. Notre méthodologie s’appuie sur un dispositif de recherche-action-formation à travers lequel des techniques à la fois qualitatives (entretiens et screen tracking) et quantitatives (traitement statistique issu de questionnaires) ont été utilisées. Contrairement à nos hypothèses de départ, les conclusions auxquelles nous avons abouties sont plutôt surprenantes
This research work examines the computational practices of Congolese primary school teachers who have been introduced to computer tools and services as part of the Francophone initiative for distance teacher training (IFADEM, in French). It proposes a discourse that distances itself from any a priori conformity or non-conformity to the norms of use prescribed by the body of trainers in information and communication technologies for education (ICTE). The aim of this doctoral project is to understand the "reversed" mechanisms - as singular as they are individual, as novel as they are unstable - by which each practitioner reinvents the use of ICTE (abnormal computational usage practices). What are the representational, contextual, pedagogical and transliterative factors by which some of these users act as practitioner-refusers? To answer this question, we carried out a microsociological analysis. Our methodology is based on a research-action-training approach, using both qualitative (interviews and screen tracking) and quantitative (statistical processing of questionnaires) techniques. Contrary to our initial hypotheses, the conclusions we reached are rather surprising

Malgré des progrès constants en termes de capacité de calcul, mémoire et quantité de données disponibles, les algorithmes d'apprentissage machine doivent se montrer efficaces dans l'utilisation de ces ressources. La minimisation des coûts est évidemment un facteur important, mais une autre motivation est la recherche de mécanismes d'apprentissage capables de reproduire le comportement d'êtres intelligents. Cette thèse aborde le problème de l'efficacité à travers plusieurs articles traitant d'algorithmes d'apprentissage variés : ce problème est vu non seulement du point de vue de l'efficacité computationnelle (temps de calcul et mémoire utilisés), mais aussi de celui de l'efficacité statistique (nombre d'exemples requis pour accomplir une tâche donnée). Une première contribution apportée par cette thèse est la mise en lumière d'inefficacités statistiques dans des algorithmes existants. Nous montrons ainsi que les arbres de décision généralisent mal pour certains types de tâches (chapitre 3), de même que les algorithmes classiques d'apprentissage semi-supervisé à base de graphe (chapitre 5), chacun étant affecté par une forme particulière de la malédiction de la dimensionalité. Pour une certaine classe de réseaux de neurones, appelés réseaux sommes-produits, nous montrons qu'il peut être exponentiellement moins efficace de représenter certaines fonctions par des réseaux à une seule couche cachée, comparé à des réseaux profonds (chapitre 4). Nos analyses permettent de mieux comprendre certains problèmes intrinsèques liés à ces algorithmes, et d'orienter la recherche dans des directions qui pourraient permettre de les résoudre. Nous identifions également des inefficacités computationnelles dans les algorithmes d'apprentissage semi-supervisé à base de graphe (chapitre 5), et dans l'apprentissage de mélanges de Gaussiennes en présence de valeurs manquantes (chapitre 6). Dans les deux cas, nous proposons de nouveaux algorithmes capables de traiter des ensembles de données significativement plus grands. Les deux derniers chapitres traitent de l'efficacité computationnelle sous un angle différent. Dans le chapitre 7, nous analysons de manière théorique un algorithme existant pour l'apprentissage efficace dans les machines de Boltzmann restreintes (la divergence contrastive), afin de mieux comprendre les raisons qui expliquent le succès de cet algorithme. Finalement, dans le chapitre 8 nous présentons une application de l'apprentissage machine dans le domaine des jeux vidéo, pour laquelle le problème de l'efficacité computationnelle est relié à des considérations d'ingénierie logicielle et matérielle, souvent ignorées en recherche mais ô combien importantes en pratique.
Despite constant progress in terms of available computational power, memory and amount of data, machine learning algorithms need to be efficient in how they use them. Although minimizing cost is an obvious major concern, another motivation is to attempt to design algorithms that can learn as efficiently as intelligent species. This thesis tackles the problem of efficient learning through various papers dealing with a wide range of machine learning algorithms: this topic is seen both from the point of view of computational efficiency (processing power and memory required by the algorithms) and of statistical efficiency (n umber of samples necessary to solve a given learning task).The first contribution of this thesis is in shedding light on various statistical inefficiencies in existing algorithms. Indeed, we show that decision trees do not generalize well on tasks with some particular properties (chapter 3), and that a similar flaw affects typical graph-based semi-supervised learning algorithms (chapter 5). This flaw is a form of curse of dimensionality that is specific to each of these algorithms. For a subclass of neural networks, called sum-product networks, we prove that using networks with a single hidden layer can be exponentially less efficient than when using deep networks (chapter 4). Our analyses help better understand some inherent flaws found in these algorithms, and steer research towards approaches that may potentially overcome them. We also exhibit computational inefficiencies in popular graph-based semi-supervised learning algorithms (chapter 5) as well as in the learning of mixtures of Gaussians with missing data (chapter 6). In both cases we propose new algorithms that make it possible to scale to much larger datasets. The last two chapters also deal with computational efficiency, but in different ways. Chapter 7 presents a new view on the contrastive divergence algorithm (which has been used for efficient training of restricted Boltzmann machines). It provides additional insight on the reasons why this algorithm has been so successful. Finally, in chapter 8 we describe an application of machine learning to video games, where computational efficiency is tied to software and hardware engineering constraints which, although often ignored in research papers, are ubiquitous in practice.