Navigation – Plan du site

AccueilProposer un articleAppels en coursAppel à contribution n° 19 : Vers...

Appel à contribution n° 19 : Vers de nouvelles socio-histoires de l’intelligence artificielle

Numéro coordonné par Valentin Goujon (médialab, Sciences Po), Mathilde Fichen (HT2s, Cnam), et Alexander Campolo (Durham University)

Les résumés sont à envoyer pour le 2 février 2026 (échéance prolongée).

A l’heure où l’intelligence artificielle dite « générative » fait l’objet d’une importante couverture médiatique, partagée entre promesses techno-optimistes et critiques éthiques, ainsi que d'investissements financiers considérables alimentant les craintes relatives au possible éclatement d’une bulle spéculative, cet appel à contribution fait état d’une triple ambition : tout d’abord, éprouver la robustesse des principaux récits historiographiques sur l’intelligence artificielle, entre alternance de saisons diversement favorables (« hivers » et « printemps ») et controverse à rebonds entre des courants de recherche aux positions décrites comme antagonistes (approches symbolique et connexionniste) ; ensuite, enrichir l’histoire canonique de l’intelligence artificielle en y intégrant de nouvelles perspectives historiographiques inspirées de l’histoire globale, du tournant matériel, des études du code ou de la démarche intersectionnelle ; enfin, renforcer l’attention portée à la période ouverte au début des années 1980 qui, au regard de sa double importance historique et contemporaine, fait comparativement encore l’objet de peu de recherches socio-historiques. En arrière-plan, ces trois axes sont traversés par un même souci vis-à-vis d’une historiographie de l’intelligence artificielle largement façonnée par des participants à cette histoire canonique, dont la remémoration oscille entre le témoignage personnel (McCorduck, 2004), la fresque de longue durée (Nilsson, 2009) et l’investigation journalistique (Metz, 2021).

Ces trois registres sont eux-mêmes transverses à l’opposition structurelle entre des promoteurs de l’intelligence artificielle susceptibles de s’aventurer en terrain historiographique (Newell, 1983) et des voix critiques ayant directement pris part à des débats internes au champ de recherche (Dreyfus, 1972). Cette tendance se poursuit d’ailleurs encore aujourd’hui avec une profusion d’ouvrages de chercheurs et d’ingénieurs en intelligence artificielle célébrant les plus récents succès de ces systèmes techniques (Wooldridge, 2021) ou bien appelant à une plus grande prudence, voire même à une position critique assumée (Narayanan & Kapoor, 2024). Pourtant, si l’on s’en tient uniquement à ces contributions, l’histoire de l’intelligence artificielle tend à se réduire à la répétition d’un narratif au périmètre relativement réduit : quelques grandes figures masculines, des participants à la conférence de Dartmouth en 1956 aux « pères fondateurs » de l’apprentissage profond ; quelques organisations gouvernementales et grandes entreprises soutenant leurs recherches, du complexe militaro-industriel de la seconde moitié du XXème siècle aux Big Tech contemporaines de la Silicon Valley ; quelques épisodes particulièrement marquants, de l’agent conversationnel ELIZA conçu par l’informaticien Joseph Weizenbaum au milieu des années 1960 à la victoire du superordinateur « Deep Blue » contre le champion du monde d’échecs Garry Kasparov en 1997.

La prégnance d’une telle histoire indigène fait émerger des interrogations relatives à sa pénétration dans l’espace public, y compris au sein des récits médiatiques, ainsi qu’aux retombées de celle-ci sur la filière industrielle elle-même. Entre mobilisation de récits d’acteurs et distanciation vis-à-vis de ceux-ci, cette mise à l’épreuve historiographique peut alors se doubler d’une démarche similaire sur le plan méthodologique, en interrogeant les apports respectifs des méthodes d’enquête socio-historique employées sur le sujet : histoires orales, lecture de documents techniques, méthodes computationnelles, travail d’archives ou encore ethnographie de laboratoire. Ces stratégies et tactiques d’enquête soulèvent au passage des considérations plus proprement épistémologiques sur les façons de négocier des écueils tels que le « drame algorithmique » (Ziewitz, 2016) ou la casuistique de la « boîte noire » (Offert & Dhaliwal, 2025). De ce point de vue, les contributions pourront mobiliser un large éventail de matériaux empiriques (archives, entretiens, bases de données, corpus documentaires, observations en ligne ou hors ligne) afin de produire des enquêtes contribuant non seulement à l’étude socio-historique de l’intelligence artificielle, mais également à celle de l’informatique dans son ensemble (Mahoney, 1988).  

Si cet appel à contribution cherche à entrer en résonance avec les débats contemporains autour de l’intelligence artificielle, il s’inscrit donc avant tout dans une démarche réflexive visant à interroger l’état de la recherche socio-historique sur ces systèmes techniques. À cet égard, qu’en est-il du double constat formulé dans la seconde moitié des années 2010 ? D’une part, celui selon lequel « l’historiographie générale de l’intelligence artificielle est mal en point [et celle] de l’apprentissage automatique est virtuellement inexistante » (Plasek, 2016) ; d’autre part, celui d’une « rencontre manquée » entre ces objets et la discipline sociologique, a fortiori lorsqu’il est plus particulièrement question des études sur les sciences et techniques (science and technology studies ; Kirtchik, 2019). Cet appel ambitionne de revisiter ce double constat en accueillant des contributions socio-historiques inscrites dans un ou plusieurs des trois axes présentés ci-dessous.

1. « Hivers » et « printemps », symbolique et connexionniste : éprouver la robustesse des grands récits historiographiques sur l’intelligence artificielle 

Ce premier axe vise à éprouver la robustesse épistémologique des principaux récits historiographiques en vigueur à propos de l’intelligence artificielle. Ces derniers ont tendance à reprendre une série de grandes dichotomies – « hivers » et « printemps », approches symbolique et connexionniste, intelligence artificielle « forte » et « faible » – issues de parties prenantes à cette même histoire canonique de l’intelligence artificielle. Tout en reconnaissant une certaine portée heuristique à ces récits, leur grande popularité au sein des communautés de recherche en et sur l’intelligence artificielle peut amener à s’interroger en retour sur l’existence de généalogies moins tranchées, plus contrastées, et encore peu explorées au-delà du seul cas étatsunien.

À titre d’exemple, l’idée selon laquelle la recherche en intelligence artificielle obéirait à une alternance régulière de périodes de déclin et de renouveau, désignées sous les termes d’« hivers » et de « printemps », est ainsi largement partagée dans l’historiographie existante (Floridi, 2020), y compris au sein du cercle des praticiens et amateurs d’intelligence artificielle. Ce récit propose pourtant une périodisation cyclique dont la robustesse n’est pas pleinement établie en fonction des découpages chronologiques et géographiques retenus. Par exemple, la focalisation sur le degré d’investissements financiers des agences gouvernementales anglo-saxonnes conduit à sous-estimer la structuration disciplinaire croissante du champ durant le premier « hiver » de l’intelligence artificielle (Haigh, 2023) tout en minorant l’éclosion d’un « printemps » sud-coréen au moment même où s’amorce le second « hiver » aux États-Unis et au Royaume-Uni (Shin, 2019).

À l’heure du succès des modèles statistiques fondés sur des réseaux de neurones profonds, cet effort de réexamen pourrait également s’appliquer à un autre récit historiographique binaire, celui de la controverse à rebonds entre partisans de l’intelligence artificielle symbolique et tenants du connexionnisme (Cardon et al., 2018). Alors que des figures historiques comme contemporaines ont pu plaider en faveur d’une approche qualifiée de « neuro-symbolique » (Minsky, 1991 ; Marcus, 2020), une distinction aussi marquée peut non seulement conduire à masquer de telles approches hybrides, mais également à ignorer la diversité interne propre à chacun des courants, à l’image de la division entre logiciens et procéduralistes présente au sein même de l’approche symbolique (Poirier, 2024).

Si ce récit dichotomique permet de mettre en évidence le renversement sémantique – du symbolique vers le connexionniste – à l’œuvre derrière l’expression d’« intelligence artificielle » entre le milieu des années 1950 et la période contemporaine, il tend toutefois à évacuer le rôle joué par des labels concurrents ou complémentaires, tels que ceux de la reconnaissance de forme (pattern recognition ; Gluck-Thaler, 2024) et de l’apprentissage automatique (machine learning ; Roberge & Castelle, 2021). La généalogie terminologique de telles catégories peut alors s’enrichir d’une attention à la granularité (intra)disciplinaire de la recherche en intelligence artificielle, qui apparaît alors comme constituée d’une multitude d’écologies professionnelles pouvant graviter en son sein ou à ses marges : vision assistée par ordinateur (computer vision), traitement automatique des langues (natural language processing), traitement de la parole (speech processing), ou encore robotique.

2. Espaces, objets, intersectionnalités : perspectives renouvelées sur l’histoire de l'intelligence artificielle

Alors que le premier axe de l’appel entend vérifier la solidité épistémologique des grands récits historiographiques sur l’intelligence artificielle, ce deuxième axe vient le prolonger en mettant en lumière des moments, des entités et des environnements susceptibles d’éclairer des pans méconnus de l’histoire canonique de l’intelligence artificielle. Un tel renouvellement historiographique ambitionne de s’éloigner des récits purement intellectuels, institutionnels et événementiels, tout en y intégrant de nouveaux angles d’analyse tels que l’histoire globale, le tournant matériel, les études du code et du logiciel, ou encore les perspectives intersectionnelles.

Historiquement centrés sur les États-Unis, les récits historiographiques et cas d’étude socio-historiques autour de l’intelligence artificielle s’enrichissent depuis maintenant quelques années de contributions portant sur d'autres pays occidentaux : d’une part, le Royaume-Uni, en raison de la figure tutélaire qu’est Alan M. Turing et du dialogue entre cybernéticiens britanniques et figures connexionnistes étasuniennes (Husbands & Holland, 2012) ; d’autre part, des pays comme l’Allemagne (Pfau et al., 2023), le Canada (Lepage-Richer & McKelvey, 2022) et la France (Mounier-Kuhn, 2010) illustrent l’importance des spécificités nationales en matière de gouvernement de la recherche en intelligence artificielle. L’héritage du moment cybernétique se retrouve plus largement en Amérique du Sud (Medina, 2011), en Union soviétique (Kirtchik, 2023) et voire même en Corée du Nord (Berthelier, 2024), alors que d’autres pays asiatiques – comme le Japon (Hsiung, 2024) et la Corée du Sud (Shin, 2019) – semblent se distinguer par des trajectoires marquées par davantage d’autonomie.

Ce tour d’horizon géographique constitue également l’occasion de donner davantage de poids à un ensemble de composants, à la fois matériels (hardware) et logiciels (software), au sein d’analyses socio-historiques consacrées aux chaînes globales d’approvisionnement et de valeur des systèmes d’intelligence artificielle. De l’extraction des matières premières à la fabrication de composants micro-électroniques, en passant par les avancées permises par la « loi » formulée par Gordon E. Moore et les contraintes soulevées par de trop faibles capacités de stockage : ces soubassements matériels tiennent une place centrale dans l’histoire de l’intelligence artificielle, y compris par le biais des effets socio-environnementaux qu’ils peuvent susciter aux États-Unis, à Taïwan ou dans d’autres parties du monde. À cette occasion, les contributions peuvent puiser dans un double corpus, celui des études des infrastructures (infrastructures studies) et de la maintenance (maintenance studies), afin de porter le regard sur le travail invisible soutenant les dispositifs, plateformes et infrastructures adossées à ces chaînes de valeur et d’approvisionnement.

Du côté des composants logiciels, certaines techniques algorithmiques utilisées par les chercheurs, ingénieurs et praticiens de l’intelligence artificielle ont déjà pu faire l’objet d’histoires – des algorithmes génétiques inspirés par la biologie évolutive (Helmreich, 1998) à l’algorithme « Minimax » employé pour l’automatisation du jeu d’échecs (Ensmenger, 2011) – mais sans que cela n’épuise le foisonnement des grandes familles d’algorithmes. Dans la lignée des études sur le code (Alcaras & Larribeau, 2022), cela vaut également pour des langages de programmation aussi variés que Lisp, Prolog, Logo ou encore Python. En complément, l’importance historique occupée par la démonstration automatique de théorèmes au sein de l’histoire de l’intelligence artificielle invite à prolonger les recherches déjà existantes en socio-histoire des mathématiques (Mackenzie, 1995), en revenant par exemple sur le rôle des démonstrations mathématiques et technologiques dans l’élaboration de la crédibilité scientifique (Rosental, 2003).

Dans le sillage d’un renouvellement de l’historiographie consacrée à l’informatique, la mobilisation de perspectives attentives à une pluralité de variables – classe, genre, race, âge, handicap – fait écho à la mise en évidence de figures individuelles comme Ada Lovelace, Grace M. Hopper ou Alice Recoque, mais également de collectifs de travailleuses contribuant au développement de l’ENIAC ou encore à la fabrication de semi-conducteurs. Enfin, dans la continuité de la curiosité cybernéticienne pour le vivant, cet intérêt pour les expériences subalternes peut s’enrichir de perspectives multi-espèces afin de resituer la place des animaux – vivants, artificiels ou métaphoriques – au sein de l’histoire de l’intelligence artificielle (Hof, 2020).

3. Socio-histoires contemporaines de l’intelligence artificielle, entre percées commerciales et renouveaux scientifiques

Là où les deux premiers axes viennent respectivement tester et consolider l’historiographie préexistante autour de l’intelligence artificielle, ce troisième et dernier axe ambitionne d’éclairer une période plus récente de cette histoire, les années 1980-2000, dont l’importance historique contraste avec l’intérêt encore timide qu’elle a déjà pu recevoir dans la littérature. Cette période est d’abord marquée par la commercialisation croissante de systèmes d’intelligence artificielle, dit « experts », dont l’adoption progressive suscite une pluralité d’usages au sein des entreprises et administrations. Ce moment est également celui de la résurgence des approches connexionnistes en cohabitation, voire en concurrence, avec d’autres types d’algorithmes de classification encore peu mis en évidence par des contributions socio-historiques. Ces dernières pourront plus largement mettre en perspective diverses périodes d’engouement – les systèmes experts des années 1980, les réseaux de neurones profonds des années 2010, les modèles génératifs des années 2020 – dans le cadre d’une économie des promesses techno-scientifiques (Joly, 2010), d’une analyse de controverses (Crépel & Cardon, 2022) ou encore d’une étude des « bulles » technologiques (Widder & Hicks, 2024) appliquées au cas de l’intelligence artificielle.

Les années 1980 sont marquées par la multiplication des produits et services qualifiés de « systèmes experts », entendus comme des logiciels d’aide de prise à la décision fondés sur la modélisation des connaissances et raisonnements d’un spécialiste d’une discipline donnée (Collins, 1990). Alors que l’expression n’est aujourd’hui plus aussi en vogue qu’à l’époque, l’utilisation persistante de ces systèmes au cours des dernières décennies soulève toutefois des interrogations vis-à-vis de leur influence sur les pratiques de travail et de management au sein d’entreprises et d’administrations déjà traversées par des usages gestionnaires de l’informatique (Neumann, 2022). Au sein des études sur les sciences et les techniques, cette vague des systèmes experts est également à l’origine d’une première série de réflexions sur les enjeux propres à l’acquisition de connaissances humaines par des machines (Woolgar, 1985 ; Forsythe, 1993). Ces réflexions pourraient être confrontées aux modalités plus récentes d’acquisition de connaissances au sein des systèmes d’apprentissage automatique, à l’image des nombreuses étapes de pré-traitement des données et d’ingénierie des caractéristiques (feature engineering) nécessaires à leur bon fonctionnement.

En parallèle de ces développements marqués par l’influence de l’intelligence artificielle symbolique, le milieu des années 1980 correspond également à la résurgence du courant connexionniste par le biais de la publication du volumineux diptyque collectif Parallel Distributed Processing (1987), de la popularisation de l’algorithme de « rétropropagation » (backpropagation) pour les réseaux de neurones artificiels et de l’utilisation de ces derniers, notamment dans leur version convolutive, pour des tâches de reconnaissance de caractères au sein de Bell Labs. Au début des années 2010, c’est cette même architecture neuronale à convolution qui incarne la « revanche des neurones » sur le courant symbolique, désormais qualifié de « bonne vieille intelligence artificielle » (Stephanou, 2022), en marquant l’avènement d’un apprentissage automatique décrit comme « profond ». Si ce moment de renversement paradigmatique est venu concentrer l’attention, c’est moins le cas des décennies précédentes durant lesquelles les machines connexionnistes sont en forte concurrence avec d’autres algorithmes de classification : machines à vecteurs de support, classifieurs bayésiens naïfs, arbres de décision et forêts aléatoires.

Par ailleurs, l’attention croissante portée à l’intelligence artificielle générative au tournant des années 2020 invite à interroger les généalogies historiques qui sous-tendent cette nouvelle génération de modèles statistiques. Alors que ces systèmes sont régulièrement présentés comme étant radicalement nouveaux, leur fonctionnement actuel mobilise pourtant une pluralité de disciplines (théorie des jeux, physique, linguistique, psychologie) et de notions déjà établies (vectorisation, données synthétiques, apprentissage par renforcement). Du côté des modèles de génération d’images, les réseaux antagonistes génératifs disposent d’une architecture neuronale hybride – entre classification et génération – dont l’inspiration fait écho à la théorie des jeux (Castelle, 2020), alors que les récents modèles de diffusion comme DALL·E, Stable Diffusion ou Midjourney empruntent davantage à la physique. Du côté des modèles de langue, l’étude des différentes architectures neuronales entamée avec les réseaux de neurones convolutifs en vision par ordinateur (Dobson, 2023) appelle à une socio-histoire similaire vis-à-vis des réseaux de neurones récurrents en traitement automatique des langues. Plus récemment encore, l’architecture dite « Transformer » au fondement de grands modèles de langue (BERT, ChatGPT, Llama) et de modèles de génération d’images (DALL·E 2, Stable Diffusion 3, Imagen 3) occupe désormais une place centrale dans l’économie politique de l’intelligence artificielle (Luitse & Denkena, 2021), mais son émergence comme sa diffusion massive restent encore à retracer selon une perspective socio-historique.

Au-delà de la diversité des architectures neuronales, les grands modèles contemporains viennent actualiser dans leur fonctionnement même des intuitions mathématico-linguistiques vieilles de plusieurs décennies : alors que le processus stochastique des chaînes de Markov du mathématicien russe éponyme du tournant du XXème siècle irrigue aussi bien les modèles de génération de texte que d’images, l’hypothèse centrale de la sémantique distributionnelle formulée au milieu de ce même siècle – « Vous connaîtrez un mot par ses fréquentations ! » – se retrouve au cœur des méthodes de plongement lexical (word2vec, GloVe, fastText) de la première moitié des années 2010, puis des grands modèles de langue du tournant des années 2020. Enfin, les préoccupations citoyennes comme réglementaires autour de l’alignement entre systèmes d’intelligence artificielle et valeurs humaines suppose d’approfondir la généalogie d’une telle ambition éthique (Schwerzmann & Campolo, 2025), en mettant par exemple au jour le poids de l’héritage comportementaliste dans le recours croissant à l’apprentissage par renforcement durant le processus d’entraînement des modèles génératifs contemporains.

Modalités de soumission

Ce dossier entend rassembler des contributions empiriquement fondées s’inscrivant dans l’un ou plusieurs de ces axes. Les résumés des articles, d’une longueur d’une page (soit environ 4 000 signes hors références bibliographiques), devront être envoyés avant le 2 février 2026 aux adresses suivantes :

valentin.goujon@sciencespo.fr

mathilde.fichen@lecnam.net

alexander.campolo@durham.ac.uk

La proposition (résumée), rédigée en anglais ou en français, mentionnera la question de recherche, la méthodologie utilisée, le cadre théorique employé et les résultats envisagés. Elle insistera sur l’intérêt scientifique de l’article proposé au regard de la littérature existante et de l’appel à communication, et sera accompagnée d’une courte bibliographie.

Les auteur·rice·s recevront une réponse mi-février 2026. Pour les propositions retenues, les articles complets devront être envoyés au plus tard pour le mois de juin 2026.

La revue RESET est également ouverte, dans sa rubrique Varia, à tous les travaux relevant des sciences humaines et sociales, et portant sur le numérique comme objet ou méthode de recherche.

Bibliographie

Alcaras, G. & Larribeau, A. (2022). Codes. L’informatique comme elle s’écrit. RESET, 11. https://doi.org/10.4000/reset.3914

Berthelier, B. (2024). Automating Power: Cybernetics and Sovereignty in Cold War North Korea. Technology and Culture, 65 (4), 1247-1277. https://dx.doi.org/10.1353/tech.2024.a940468

Cardon, D., Cointet, J. & Mazières, A. (2018). La revanche des neurones. L’invention des machines inductives et la controverse de l’intelligence artificielle. Réseaux, 5 (211), 173-220. https://doi.org/10.3917/res.211.0173

Castelle, M. (2020). The Social Lives of Generative Adversarial Networks. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT* '20), Association for Computing Machinery. https://doi.org/10.1145/3351095.3373156

Collins, H. (1990). Artificial Experts: Social Knowledge and Intelligent Machines. The MIT Press.

Crépel, M. & Cardon, D. (2022). Robots vs algorithmes. Prophétie et critique dans la représentation médiatique des controverses de l’IA. Réseaux, 232-233 (2), 129-167. https://doi.org/10.3917/res.232.0129

Dobson, J. E. (2023). Objective Vision: Confusing the Subject of Computer Vision. Social Text, 41 (3 (156)), 35–55. https://doi.org/10.1215/01642472-10613653

Dreyfus, H. L. (1972). What Computers Can’t Do. A Critique of Artificial Reason. Harper & Row.

Ensmenger, N. (2011). Is chess the drosophila of artificial intelligence? A social history of an algorithm. Social Studies of Science, 42 (1), 5-30. https://doi.org/10.1177/0306312711424596

Floridi, L. (2020). AI and Its New Winter: from Myths to Realities. Philosophy & Technology. 33, 1–3. https://doi.org/10.1007/s13347-020-00396-6

Forsythe, D. E. (1993). Engineering Knowledge: The Construction of Knowledge in Artificial Intelligence. Social Studies of Science, 23 (3), 445-477. https://doi.org/10.1177/0306312793023003002

Gluck-Thaler, A. (2024). Identity Instrumentalized: Pattern Recognition as an Epistemology of Surveillance, 1960–66. Technology and Culture, 65 (4), 1161-1193. https://dx.doi.org/10.1353/tech.2024.a940465

Haigh, T. (2023). There Was No ‘First AI Winter’. Communication of the ACM, 66, 12, 35-39. https://doi.org/10.1145/3625833

Helmreich, S. (1998). Recombination, Rationality, Reductionism and Romantic Reactions: Culture, Computers, and the Genetic Algorithm. Social Studies of Science, 28 (1), 39-71. https://doi.org/10.1177/030631298028001002

Hof, B. (2020). The turtle and the mouse: how constructivist learning theory shaped artificial intelligence and educational technology in the 1960s. History of Education, 50 (1), 93-111. https://doi.org/10.1080/0046760X.2020.1826053

Hsiung, H. (2024). Television and the Origins of Visual Pattern Recognition AI in Japan: a ‘Quest for a Seeing Machine’. Asiascape: Digital Asia, 11 (1-2), 3-31. https://doi.org/10.1163/22142312-bja10054

Husbands, P. & Holland, O. (2012). Warren McCulloch and the British Cyberneticians. Interdisciplinary Science Reviews, 37 (3), 237-253. https://doi.org/10.1179/0308018812Z.00000000019

Joly, P.-B. (2010). On the economics of techno-scientific promises. Dans Akrich, M., Barthe, Y., Muniesa, F. & Mustar, P. (éd.), Débordements. Mélanges offerts à Michel Callon (pp. 203-221). Presses des Mines.

Kirtchik, O. (2023). The Soviet scientific programme on AI: if a machine cannot ‘think’, can it ‘control’?. BJHS Themes, 8, 111-125. https://doi.org/10.1017/bjt.2023.4

Kirtchik, O. (2019). STS et Intelligence Artificielle : une rencontre manquée ? Zilsel, 5 (1), 149-160. https://doi.org/10.3917/zil.005.0149

Lepage-Richer, T. & McKelvey, F. (2022). States of computing: On government organization and artificial intelligence in Canada. Big Data & Society, 9 (2). https://doi.org/10.1177/20539517221123304

Luitse, D. & Denkena, W. (2021). The great Transformer: Examining the role of large language models in the political economy of AI. Big Data & Society, 8 (2). https://doi.org/10.1177/20539517211047734

Mackenzie, D. (1995). The automation of proof: a historical and sociological exploration. IEEE Annals of the History of Computing, 17 (3), 7-29. https://doi.org/10.1109/85.397057

Mahoney, M. S. (1988). The History of Computing in the History of Technology. Annals of the History of Computing, 10 (2), 113-125. https://doi.org/10.1109/MAHC.1988.10011

Marcus, G. (2020). The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. arXiv preprint arXiv:2002.06177. https://doi.org/10.48550/arXiv.2002.06177

McCorduck, P. (2004). Machines Who Think. A Personal Inquiry into the History and Prospects of Artificial Intelligence. A K Peters/CRC Press.

Medina, E. (2011). Cybernetic Revolutionaries: Technology and Politics in Allende’s Chile. The MIT Press.

Metz, C. (2021). Genius Makers: The Mavericks Who Brought AI to Google, Facebook, and the World. Dutton.

Minsky, M. L. (1991). Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy. AI Magazine, 12 (2), 34-51. https://doi.org/10.1609/aimag.v12i2.894

Mounier-Kuhn, P-E. (2010). L’informatique en France depuis la seconde guerre mondiale au Plan Calcul. L’émergence d’une science. Sorbonne Université Presses.

Narayanan, A. & Kapoor, S. (2024). AI Snake Oil: What Artificial Intelligence Can Do, What It Can’t, and How to Tell the Difference. Princeton University Press.

Neumann, C. (2022). La mise en récit managériale des ordinateurs en France dans les années 1960. Artefact. Techniques, histoire et sciences humaines, 16, 111-129. https://doi.org/10.4000/artefact.12043

Newell, A. (1983). Intellectual issues in the history of artificial intelligence. Dans Machlup, F. & Mansfield, U. (éd.), The Study of Information: Interdisciplinary Messages (187-294). John Wiley & Sons.

Nilsson, N. J. (2009). The Quest for Artificial Intelligence. Cambridge University Press.

Offert, F. & Dhaliwal, R. S. (2025). The Method of Critical AI Studies, A Propaedeutic. arXiv preprint arXiv:2411.18833. https://doi.org/10.48550/arXiv.2411.18833

Pfau, D., Piel, H., Müller, F., Tschandl, J. & Seising, R. (2023). The “KI-Rundbrief,” Its Editors, and Its Community: A Perspective on West German AI, 1975–1987. IEEE Annals of the History of Computing, 45 (3), 48-65. https://doi.org/10.1109/MAHC.2023.3295465

Plasek, A. (2016). On the Cruelty of Really Writing a History of Machine Learning. IEEE Annals of the History of Computing, 38 (4), 6-8. https://doi.org/10.1109/MAHC.2016.43

Poirier, L. (2024). Neat vs. Scruffy: How Early AI Researchers Classified Epistemic Cultures of Knowledge Representation. IEEE Annals of the History of Computing, 47 (2), 1-29. https://doi.ieeecomputersociety.org/10.1109/MAHC.2024.3498692

Roberge, J. & Castelle, M. (2020). The Cultural Life of Machine Learning. An Incursion into Critical AI Studies. Palgrave Macmillan Cham.

Rosental, C. (2003). Certifying Knowledge: The Sociology of a Logical Theorem in Artificial Intelligence. American Sociological Review, 68 (4), 623-644. https://doi.org/10.1177/000312240306800407

Schwerzmann, K. & Campolo, A. (2025). “Desired behaviors”: alignment and the emergence of a machine learning ethics. AI & Society. https://doi.org/10.1007/s00146-025-02272-3

Shin, Y. (2019). The Spring of Artificial Intelligence in Its Global Winter. Korean Language and AI Researchers in the Late 1980s. IEEE Annals of the History of Computing, 41 (4), 71-82. https://doi.org/10.1109/MAHC.2019.2922909

Stephanou, H. (2022). « Cette bonne vieille intelligence artificielle » : désuétude et survivance de l’hypothèse computationnelle de l’esprit. Philosophia Scientiæ, 26 (1), 73-91. https://doi.org/10.4000/philosophiascientiae.3370

Widder, D. G. & Hicks, M. (2024). Watching the Generative AI Hype Bubble Deflate. arXiv preprint arXiv:2408.08778. https://doi.org/10.48550/arXiv.2408.08778

Wooldridge, M. (2021). A Brief History of Artificial Intelligence. What It Is, Where We Are, and Where We Are Going. Flatiron Books.

Woolgar, S. (1985). Why not a Sociology of Machines? The Case of Sociology and Artificial Intelligence. Sociology, 19 (4), 557-572. https://www.jstor.org/stable/42853468

Ziewitz, M. (2016). Governing Algorithms: Myth, Mess, and Methods. Science, Technology, & Human Values, 41, 1, 3-16. https://www.jstor.org/stable/43671280

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search