Quand mon personnage préféré consomme : Usages et représentations des médicaments et des drogues dans la websérie Skins
Notice bibliographique
Résumé
Dans les styles de vie des adolescents et des jeunes adultes, le visionnement de films, de téléséries et de webséries occupe une place importante. Ces productions présentent des personnages et des scénarios qui mettent en scène les différentes problématiques auxquelles ces populations peuvent être confrontées telles que la consommation de drogues et de médicaments. Afin de cerner les modèles proposés, deux saisons de la websérieSkins, produite en Grande-Bretagne et qui remporte un grand succès international, ont été analysées à partir d’une étude de contenu faisant appel à une méthodologie mixte, quantitative et qualitative. Les analyses indiquent que la question des drogues et des médicaments occupe une place importante, le cannabis restant la drogue la plus représentée et utilisée tant par les personnages masculins que féminins. Elle est suivie par l’ecstasy. Si les drogues dures sont peu représentées, le recours aux médicaments à des fins non médicales est bien illustré, en particulier par les antidépresseurs et les traitements pour les troubles de l’érection. La websérie met en scène les étapes d’accès aux substances, leur préparation, leur consommation et même leur revente alors que ces thématiques étaient traitées de façon périphérique dans les productions télévisuelles des années 1990. Les modalités des états de conscience, de la défonce légère aux effets plus extrêmes et dangereux, sont abordées dansSkins. Cela met en évidence la variété des contextes et les fonctions collectives et individuelles de la consommation. Ces substances ne font généralement pas l’objet d’une évaluation négative dans les scénarios qui insistent plutôt sur leur banalisation et sur leur intégration dans le quotidien des jeunes, et ce, sans grands risques pour l’état de santé. Il resterait à cerner le processus de réception de cette série dans les différents contextes nationaux et à voir dans quelle mesure ces contenus influencent les normes et les pratiques de consommation des substances et des médicaments chez les adolescents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».