Les identités et les connaissances qui traversent les relations entre les individus soulèvent les mêmes enjeux d’appréhension, de normalisation et de reproduction des comportements et des discours qui font le monde social. Elles répondent toutefois à des logiques différentes : les identités appuient les différences qui naissent de perceptions subjectives et de confrontations d’intérêts, alors que les connaissances sont portées par des idéaux d’universalité et strictement tenues par les réalités objectives. À partir d’une revue de la littérature et faisant état de la question, ce mémoire s’intéresse à la perméabilité croissante qui s’établit entre identités et savoirs par le recours à un positionnement essentialisé, que nous qualifions de « positionnalité ». Notamment, nous interrogeons ses formes idéologiques contemporaines afin de comprendre quelles sont les origines de ces positionnements identitaires essentialisés et leurs conséquences pour l’élaboration et la médiation du savoir. Nous établissons que la positionnalité est le fruit d’un abord constructiviste des régimes de vérité et de pouvoir, et qu’elle s’appuie sur des lectures partisanes des héritages de la théorie critique. Nous mettons aussi en exergue l’environnement politique façonné par « l’ère post-vérité », caractérisé par une dépréciation de la valeur des faits et la contestation des autorités épistémiques traditionnelles. Enfin, nous avançons que le développement de la positionnalité, précipité par l’ère post-vérité, entretient une dynamique néolibérale d’appropriation ou de privatisation des savoirs pris en tant que biens communs. Les thèmes abordés dans ce mémoire nous conduisent à penser que l’essentialisation des positionnements identitaires a dépassé le cadre strictement épistémologique, et sert désormais une accumulation et une appropriation exclusive des moyens de la connaissance. / Identities and knowledge permeate relationships between individuals, raising the same issues of comprehension, normalization and reproduction of behaviors and discourse that constitute the social world. However, they follow different logics: identities reproduce the differences that arise from subjective perceptions and confrontations of interests, while knowledge rests on ideals of universality and of objective reality. Through an extensive review of the literature, this thesis examines the growing permeability between identities and knowledge that has arisen from a recent, essentialized form of positioning we call "positionality". In particular, we question this contemporary ideological form in order to understand the origins of such essentialized identity positions as well as their consequences for both the development and mediation of knowledge. We establish that positionality relies on a constructivist approach to truth and power regimes as well as on partisan readings of critical theory’s legacies. We also highlight the political environment of the “post-truth era,” characterized by a devaluation of facts and the challenging of traditional epistemic authorities. Finally, we argue that the development of positionality, hastened by the post-truth era, reinforces neoliberal appropriation, or privatization, of knowledge heretofore understood as a public good. The topics addressed in this thesis lead us to think that the essentialization of identity positioning has moved from a strictly epistemological question to one concerning the accumulation and exclusive ownership of the means of knowledge production.

Les résumés abstraits de dialogues permettent aux gens de comprendre rapidement les aspects clés des conversations dont la synthèse nécessiterait autrement des efforts considérables. Malgré les progrès considérables réalisés par les grands modèles de langage (LLM), même les modèles les plus puissants souffrent encore d’hallucinations lorsqu’ils génèrent des résumés abstraits et ne parviennent pas à couvrir des aspects importants du contenu sous-jacent. En outre, la vérification humaine de la factualité d’un résumé abstrait peut nécessiter un effort considérable. L’un des moyens de minimiser la charge cognitive liée à la vérification de la qualité d’un résumé consiste à faire en sorte que le résumé cite des phrases dans le contenu original. Cependant, il est rare que les ensembles de données de résumés abstraits citent des passages de texte du contenu original. Même les meilleurs LLM ont du mal à effectuer un résumé basé sur des citations. Pour résoudre ce problème, nous créons l’ensemble de données Tweetsumm++, composé de résumés abstraits soutenus par des citations de dialogues entre clients et entreprises sur Twitter. Nous examinons également une méthode d’entraînement et de formulation de problèmes multitâches qui apprend à effectuer conjointement un résumé extractif et un résumé abstractif faisant référence au contenu extrait. Dans notre configuration, le modèle est également chargé d’étiqueter les phrases clés dans des catégories telles que ISSUE, RESOLUTION,WORKAROUND et autres, qui représentent les principaux éléments clés d’un dialogue. Nous explorons l’impact de la mise au point d’un LLM Mixtral open-source pour effectuer un résumé abstractif basé sur des citations et une catégorisation des phrases clés. En outre, étant donné que l’acquisition d’étiquettes pour un tel ensemble de données est coûteuse, nous explorons une nouvelle méthode d’auto-étiquetage basée sur le feedback de l’IA qui bénéficie du format de résumé basé sur les citations et peut améliorer les modèles en ce qui concerne la qualité des citations. / Abstractive summaries of dialogues allow people to quickly understand key aspects of conversations that might otherwise take considerable effort to synthesize. Despite the tremendous progress made by large language models (LLMs), even the most powerful models still suffer from hallucinations when generating abstractive summaries and fail to cover important aspects of the underlying content. Furthermore, human verification of the factuality of an abstractive summary can entail significant effort. One way to minimize the cognitive load of quality checking an abstractive summary is to have the summary cite sentences within the original content. However, it is uncommon for abstractive summarization datasets to cite passages of text from the original content. Even the best LLMs struggle to perform citation-backed summarization. To address this issue, we create the Tweetsumm++ dataset composed of citation-backed abstractive summaries of dialogues between customers and companies on Twitter. We also examine a multi-task problem formulation and training method that learns to jointly perform extractive, and abstractive summarization which reference the extracted content. In our setup, the model is also tasked with tagging key sentences into categories such as ISSUE, RESOLUTION, WORKAROUND, and others that represent the main key elements of a dialogue. We explore the impact of fine-tuning an open-source Mixtral LLM to perform citation-backed abstractive summarization and key sentence categorization. Further, since acquiring labels for such a dataset is costly, we explore a novel self-labeling method based on AI feedback that benefits from the citation-based summarization format and can improve models with respect to citation quality.