[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 8/11/2019 [2/9]

[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 8/11/2019 [2/9]

par Pierluigi Basso Fossali · Voir la chaîne sur PSI

Sciences humaines, sociales & pensée IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQNRéseaux neuronaux et systèmes flous
🎙 Pierluigi Basso Fossali 👥 178 📅 19 novembre 2019 ⏱ 10 min 👁 50 📄 opinion experte 🧭 2026-10-10
Disponible en : Français (actuel) English

Mots-clés

sémiotiquedeep learninghumanités numériquesformes visuellesintentionnalité

Résumé

Cette intervention, prononcée dans le cadre d’un séminaire du CESERH, explore la possibilité d’appliquer les outils du deep learning à l’étude de la généalogie des formes dans les œuvres visuelles et textuelles. L’orateur souligne la nécessité de dépasser les polémiques et de s’appuyer sur une littérature robuste. Il discute de la notion d’intentionnalité, des profondeurs sémantiques et de la manière dont les formes visuelles peuvent créer de nouvelles régions interprétatives plutôt que de simplement suivre des critères externes. Il propose de concevoir des systèmes d’interface et des transpositions entre différents régimes de formes (linguistiques, visuelles, sociales). La discussion répond à une question sur la capacité des formes à générer des catégories propres. Enfin, l’orateur évoque la dimension générique et les pratiques sociales qui modulent l’interprétation.

125 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de cette intervention réside dans sa tentative de relier les humanités numériques et la sémiotique, en proposant des concepts opératoires comme celui d’interface ou de profondeur sémantique. L’argumentation, bien que marquée par des échanges informels, repose sur une réflexion théorique dense. L’orateur défend l’idée que les formes visuelles possèdent une doxa propre et peuvent générer de nouvelles régions de sens, ce qui nuance la dépendance à des critères externes. La solidité de l’argumentation est toutefois difficile à évaluer en raison de la qualité médiocre de la transcription et du caractère fragmentaire des propos.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est présumée pour ce type de séminaire, mais aucune source bibliographique n’est explicitement mentionnée dans la description ou la transcription. L’adéquation entre le titre et le contenu est bonne : le sujet annoncé correspond globalement au déroulé. On regrette l’absence de références précises, ce qui limite la vérifiabilité. La transcription étant bruitée, le détail exact des arguments peut être altéré.

173 mots

Adéquation titre / contenu

Le titre annonce une discussion sur la généalogie des formes via le deep learning, ce qui correspond effectivement au contenu de la conférence.

Qualité & fiabilité

6/10

Le contenu est présenté par un expert en sémiotique, mais la transcription est très bruitée et fragmentaire, rendant l'évaluation précise difficile. Aucune source explicite n'est citée dans la description, mais le propos est d'un niveau académique élevé.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

L’apport original réside dans la proposition d’utiliser le deep learning pour modéliser la généalogie des formes tout en intégrant une approche sémiotique riche, notamment à travers les concepts d’interface et de profondeur sémantique. La discussion sur les formes doxiques visuelles et leur capacité à créer de nouvelles catégories interprétatives constitue une piste novatrice pour les humanités numériques.

Pour aller plus loin :

90 mots

Profil radar

Le profil radar montre une bonne qualité informationnelle et un niveau technique élevé, mais une fiabilité globale moyenne en raison de sources explicites absentes et d'une transcription dégradée. La quantité d'information est limitée par la durée et la densité du propos.

Fiabilité 6/10