Fraudes, violences et autres comportements déviants dans le sport professionnel et olympique
Notice bibliographique
Résumé
Les sources ouvertes en ligne sont de plus en plus utilisées comme outils de renseignement. Cette contribution explore la manière dont elles peuvent être utilisées pour étudier la déviance dans le sport professionnel et olympique. L’étude a considéré les fraudes perpétrées sur le terrain (le dopage, la manipulation de match et les fraudes à l’éligibilité) et en dehors (la corruption), les violences sur et en dehors du terrain de jeu (le hooliganisme et le terrorisme), ainsi que les autres comportements préjudiciables commis par les sportifs, que ce soit sur le terrain ou en dehors. Un dispositif de veille en ligne a été mis en place pour la récolte d’articles publiés en 2016 en anglais. Des 775 cas qui ont été relevés, les fraudes (surtout les cas de dopage et de manipulations de matchs) comptaient à elles seules pour 85 % des cas. Au total, 87 pays sont impliqués dans cette étude, bien que certaines sous-régions – l’Europe de l’Est (17,4 %), l’Afrique de l’Est (16,1 %), ainsi que l’Australie et la Nouvelle-Zélande (10,2 %) – se démarquent par une concentration plus élevée de cas. Quant aux patterns temporels, des distributions sont concentrées surtout aux mois d’août et novembre pour les fraudes, et aux mois de juin et juillet pour les violences. Ces tendances peuvent laisser supposer une saisonnalité des comportements déviants. En se concentrant sur les biais liés au langage et aux types de sources, des recherches plus approfondies sur le sujet pourraient contribuer à une surveillance systématique de la représentation médiatique de ces phénomènes dans le monde.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».