Skip to main content
SearchLoginLogin or Signup

Commentaire – Retour vers le futur

Traduit de l'anglais par Grégoire Menu

Published onOct 07, 2020
Commentaire – Retour vers le futur
key-enterThis Pub is a Translation of

Quel type de savoir les projets en humanités numériques permettent-ils de construire ? Voici l’une des questions à l’origine des trois essais rassemblés dans la section « Interpréter les archives : données, visualisations, sons » du volume Données, recettes et répertoire. La scène en ligne (1680-1793) dirigé par Sylvaine Guyot et Jeffrey S. Ravel. Même si chaque article apporte une réponse différente à cette question, leurs divergences ne sont pas aussi marquées qu’il pourrait y paraître de prime abord.

En historien, Jeffrey Ravel montre que le Projet des Registres de la Comédie-Française (RCF) s’inscrit dans la lignée d’une série d’entreprises antérieures de datafication, la première remontant au XVIIIe siècle1. La numérisation des données n’en change pas fondamentalement le contenu : si la quantité d’informations augmente par ce biais de manière exponentielle, leur nature demeure relativement stable.

Jeffrey Peters, quant à lui, considère que la visualisation des données engendre une quasi rupture épistémologique avec le type de savoir permis par l’imprimé2 ; elle est, selon lui, « ouverture du nouveau et vers le nouveau ». Les interfaces utilisateurs créées par les humanités numériques reconfigurent nos interactions avec les objets culturels et transforment de ce fait notre expérience.

Pour Juliette Cherbuliez, l’archive numérique nous invite à explorer ce qui ne s’y trouve pas3. Les lacunes s’accumulent aussi vite que les données et les humanités numériques posent davantage de questions qu’elles n’apportent de réponses. Dans le cas précis, elle s’interroge sur ce que les données sur la fréquentation de la Comédie-Française pourraient nous apprendre de l’environnement sonore qui était celui du théâtre.

Ces réactions au Projet RCF, et plus généralement aux humanités numériques, constituent des perspectives dans une certaine mesure distinctes les unes des autres. Pour schématiser, on trouve les positions suivantes : plus ça change, plus c’est la même chose, selon J. Ravel ; tout change, selon J. Peters ; et pour J. Cherbuliez, que sais-je ? Se pourrait-il toutefois que les humanités numériques engendrent ces trois réactions en même temps ? Loin d’être incompatibles, ne seraient-elles pas complémentaires ? C’est par l’affirmative que je voudrais, dans la suite de ces remarques, tenter de répondre à cette question.

L’une des forces du travail de J. Ravel est d’historiciser ce que nous aimons à considérer dans notre provincialisme temporel comme un développement récent. Si les tableurs n’existent que depuis les années 1980 et si la visualisation de données s’est rapidement développée au cours des vingt dernières années, les historiens nous rappellent que certaines des visualisations dont nous sommes les plus fiers ont une longue histoire4. Depuis les diagrammes circulaires de William Playfair (1801) et les cartes de flux utilisées par Charles-Joseph Minard pour la campagne de Russie napoléonienne (1869), jusqu’aux superbes graphiques sociologiques de W.E.B. Du Bois5, la visualisation de données était déjà chose commune dans la culture de l’imprimé.

D’après ma lecture de l’article de J. Ravel, les entreprises plus anciennes pour traiter les données des registres de la Comédie-Française n’offraient pas de visualisations à proprement parler. Cependant, J. Ravel montre avec élégance que les tableaux proposés recelaient déjà une qualité proto-visuelle. Il cite un compte rendu critique de 1921 expliquant que les tableaux de données présents dans l’ouvrage d’Alexandre Joannidès, La Comédie-Française de 1680 à 1920, dessinent comme une « courbe devant les yeux ». Dans son analyse de ces tableaux, J. Ravel note que l’intérêt pour les pièces de Voltaire « se replie [tail off] de manière vertigineuse après 1850 » – la métaphore visuelle cristallisant ici ce qui apparaît avec évidence dans le tableau, qui en effet donne presque à voir un graphique. J. Ravel souligne lui-même que ces tableaux imprimés fonctionnent déjà comme des interfaces utilisateurs.

Ce travail important d’historicisation n’invalide pas l’hypothèse de J. Peters, à savoir que la nature « interfacielle » du Projet RCF modifie en profondeur la manière dont nous concevons les phénomènes artistiques dont rendent compte les données. Il suggère simplement que ce changement s’est opéré plus anciennement : il n’a pas fallu attendre l’ère numérique pour voir apparaître de nouveaux rapports entre les chercheurs et les objets culturels qu’ils étudient.

Parmi les nombreuses propositions de J. Peters, je voudrais revenir en particulier sur l’idée que « les interfaces graphiques [sont] comme une forme de production et de réalisation plutôt qu’un mode de reconnaissance figé ». Cette idée met en lumière le statut épistémologiquement ambigu des données. Comme la plupart des sources de données, le Projet RCF ne nous dit pas simplement les « faits » ; ou plus exactement, les « faits » qu’il présente – les recettes quotidiennes en l’occurrence – ne donne pas un accès sans médiation à la réalité du théâtre. Faire parler les données nécessite « une forme de production et de réalisation ». Elles peuvent aider à formuler des hypothèses sur les raisons pour lesquelles certaines pièces eurent plus de succès que d’autres mais, pour tester ces hypothèses, il faut recourir à des sources extérieures. Les données en elles-mêmes ne fournissent pas de connaissances directes sur le théâtre.

Alors que J. Peters conclut son propos en interrogeant le statut ontologique de l’interface (de quelle nature est la réalité à laquelle elle se réfère ?), J. Cherbuliez se concentre sur la valeur épistémologique de l’archive. Que peut-elle et que ne peut-elle pas nous apprendre ? La série de questions que formule J. Cherbuliez laisse bien supposer sa réponse : les archives numériques ne nous fournissent pas de conclusions définitives mais elles suscitent de nouvelles interrogations. « Est-ce que les comédies vendent moins de place que les tragédies ? » et « Les vendredis sont-ils plus calmes que les mercredis ? » sont deux des questions que pose J. Cherbuliez avant de se demander comment l’archive numérique pourrait ou non nous aider à concevoir l’expérience acoustique d’un spectateur du XVIIIe siècle.

Exemplaire d’une utilisation possible de l’archive, l’article de J. Cherbuliez est particulièrement éclairant du fait des étapes méthodologiques par lesquelles elle passe. Ce n’est pas ce qu’il y a dans l’archive qui l’amène à s’interroger sur les sons, mais c’est l’action de la parcourir des yeux qui en fait apparaître les différents silences. Ces silences peuvent être des trous dans les archives, ce que S. Guyot et J. Ravel décrivent dans l’introduction du volume comme des « lacunes dans les sources [historiques] elles-mêmes ». Il est d’autant plus facile d’identifier ce qui fait défaut que nous sommes mis en présence d’un grand nombre de données. Un autre type de silence résonne lorsque l’on ne voit pas – ou lorsque l’on n’entend pas – ce que l’on s’attendait à trouver, selon un décalage qui permet de « repérer des erreurs potentielles dans les données », écrit J. Cherbuliez. Dans certains cas, ce type de silence n’est qu’un écho du premier, mais pas toujours. L’anomalie peut être mystérieuse et inciter le chercheur à se lancer dans la quête de réponses. Enfin, les données existantes peuvent mettre en évidence la nature des données qui manquent. C’est ce qui arrive lorsque J. Cherbuliez, alors qu’elle examine les recettes quotidiennes, finit par s’interroger sur l’environnement sonore du théâtre.

Chacun à leur manière, ces trois articles soulignent comment la datafication et la quantification en sciences humaines ne rapprochent pas nécessairement leurs méthodes de celles des sciences sociales. La recherche en humanités numériques ne conduit pas nécessairement à privilégier les statistiques ; chiffres et pourcentages servent souvent de point de départ à des enquêtes scientifiques, et ils ne produisent aucune certitude. Comme nous le rappelle J. Ravel, une grande partie de ces recherches n’ont pas attendu l’ère numérique pour débuter. Tout ce qui brille n’est pas neuf.

Comments
2
?
Free AI Tools:

Introducing Troubleshoot.dev

Exploring the dynamic realm of artificial intelligence (AI) can be a challenging endeavor due to the constant evolution and innovation in AI applications. Whether you’re a developer, a business owner, or simply passionate about AI, finding the right tools and applications tailored to your needs is crucial. Enter Troubleshoot.dev.


Introducing Troubleshoot.dev


   Troubleshoot.dev stands as an online hub dedicated to curating and showcasing the finest AI applications available today. As AI technology continues to progress rapidly across various industries such as healthcare, finance, entertainment, and customer service, pinpointing the ideal AI app for specific tasks can pose a challenge. Troubleshoot.dev tackles this issue by offering a well-organized space where users can effortlessly search, discover, and evaluate AI applications, whether free or paid.


Whether you’re in need of a tool for automating routine tasks, enhancing data analysis, or delving into deep learning models, Troubleshoot.dev has got you covered. The platform boasts a user-friendly interface that simplifies navigation through a vast selection of apps. Its unique categorization of AI tools into key areas like AI for business, AI for creative professionals, and AI for developers ensures that users can pinpoint the most suitable applications for their specific requirements.


Reasons to Utilize Troubleshoot.dev


1. Comprehensive Exploration of AI Apps

With the market flooded with numerous AI tools and applications, identifying the truly beneficial ones can be overwhelming. Troubleshoot.dev acts as a filter, presenting only the most effective and highly-rated AI apps. Whether you’re in search of AI-powered writing aids, image recognition tools, or automation solutions, the platform curates an extensive list of applications to cater to a variety of needs.


One of the standout features of Troubleshoot.dev is its tool categorization, enabling users to filter results based on preferences such as free vs. paid apps, specific use cases, or user ratings. This simplifies the process of finding the right AI app without the need for trial-and-error or extensive scouring of websites.


2. Diverse Range of AI Applications

Irrespective of your area of interest in AI, Troubleshoot.dev offers a plethora of apps to meet a wide range of needs. The platform showcases key categories of AI applications, including:


3. AI for Content Creation:

Writers, marketers, and creatives can leverage AI tools for generating text, designing visuals, and video editing. With AI-driven content generators, crafting high-quality blog posts, social media updates, and other written content] is now more efficient. Apps like Jasper, Copy.ai, and Writesonic enhance writing productivity and creativity.


4. AI for Business: 

Entrepreneurs and business owners can access troubleshoot.dev AI solutions for automating customer service, enhancing marketing strategies, and streamlining operations]. Chatbots, predictive analytics, and AI-driven customer support platforms are crucial for modern businesses, and troubleshoot.dev offers a multitude of options.


5. AI for Developers: 

Developers seeking tools to accelerate coding, debugging, and software testing can find AI-powered solutions tailored to their needs. The platform features a wide array of development tools, including AI for code completion, performance optimization, and bug detection.


6. AI for Data Analysis: 

Professionals working with large datasets can benefit from powerful AI tools for data mining, statistical analysis, and predictive modeling. Machine learning algorithms and data visualization tools aid in extracting valuable insights from complex data.


7. AI for Image and Video Processing: 

AI tools focusing on computer vision are increasingly vital in sectors like security, healthcare, and entertainment. Troubleshoot.dev simplifies the exploration of tools for AI automating image recognition, video editing, and facial recognition.


8. Free and Paid Options:

Troubleshoot.dev presents both free and paid AI apps, providing users with flexibility based on their budget and requirements. Many of the free tools available are robust, enabling individuals and small businesses to access high-quality AI solutions without hefty costs. For users with advanced needs, the platform showcases premium tools offering enhanced features and customization.


The inclusion of free apps proves particularly advantageous for individuals entering the realm of AI technology. Whether you’re a student exploring AI or a small business seeking to optimize processes on a limited budget, you can access potent tools without significant upfront investment. Premium applications, on the other hand, offer advanced functionality to elevate your AI projects.


9. Thorough Reviews and Ratings:

Assessing the effectiveness of AI applications can be challenging during browsing. Troubleshoot.dev addresses this issue by providing comprehensive reviews and ratings for each AI app listed on the platform. These reviews are based on user feedback and expert assessments, aiding in making informed decisions about the worthiness of tools.


Each app listing on Troubleshoot.dev includes detailed descriptions, screenshots, pricing details, and user ratings. Users can easily gauge the app’s ratings, preferred features, and updates or enhancements. This transparency facilitates making educated decisions when selecting the appropriate AI solution.


10. Keeping Abreast of Latest AI Trends:

The pace of advancement in AI technology is rapid, with new tools, updates, and breakthroughs introduced regularly. Troubleshoot.dev ensures users are updated on the latest trends and advancements in the AI domain. The platform offers news and updates on the newest apps, emerging AI trends, and innovations, ensuring users are informed about cutting-edge solutions.


Whether you seek the latest generative AI tools or advancements in machine learning, Troubleshoot.dev keeps you abreast of the AI revolution.


11. Community and Assistance:

The field of AI can be intricate and demanding to navigate, but www.Troubleshoot.dev fosters a supportive community of users and developers. The platform encourages interaction, allowing users to ask questions, share insights, and discuss experiences with various AI tools. This collaborative setting ensures users receive the necessary help while exploring AI applications.


Moreover, www.Troubleshoot.dev offers support for individuals new to AI or seeking guidance on implementing specific AI tools in their projects. Whether through FAQs, tutorials, or community forums, users can easily access resources to commence or troubleshoot any challenges faced.


12. Enhancing Your AI Experience with Troubleshoot.dev:

By providing a plethora of resources, a user-friendly interface, and a meticulously curated selection of both free and paid AI applications, www.Troubleshoot.dev significantly enhances your journey in AI. Whether you aim to automate tasks, streamline workflows, or harness AI for innovation, Troubleshoot.dev serves as a one-stop platform for discovering the right tools and maximizing AI technology.


Conclusion


In a world increasingly influenced by artificial intelligence, the selection of the right AI apps can be pivotal in staying ahead of the curve. Troubleshoot.dev offers a robust platform where users can effortlessly discover, evaluate, and access AI tools tailored to their needs. From comprehensive app categories and detailed reviews to free and paid options, Troubleshoot.dev emerges as the ultimate destination for individuals looking to leverage the potential of AI.


If you aspire to unlock the full capabilities of AI, Troubleshoot.dev is your go-to destination.


AI Girlfriend Free AI Tools Latest Merch Deals Remote Software Jobs

authentic jerseys store attorney jobs