‘Queering’ TV, one character at a time: How audiences respond to gender-diverse TV series on social media platforms
Notice bibliographique
Résumé
This article builds further on research in gender/queer TV studies to understand how interpretive communities form around gender-diverse TV series on social media platforms, while questioning the influence a broadcaster/content provider may still have on the reception of LGBTQ characters. Since recent technological innovations have deeply upset normative definitions of television and of its ‘identity’, this article seeks to understand whether the inclusion of LGBTQ characters in TV series has a similar potential to encourage viewers to queer or challenge normative knowledges about human sexualities and identities. To this end, the article provides a qualitative analysis of discourses that have been published on the official Facebook page of two US serialised dramas: Sense8 (Netflix 2015–2018) and Billions (Showtime 2016–). This research reveals that conversations around Sense8 and Billions differ significantly, ranging from a tendency to deflect criticism and promote progressive readings of the show ( Sense8), to more aggressive debates and frequent attempts to ‘solve’ gender ambiguities ( Billions). Through a detailed analysis of comments and interactions on a popular social media platform, this article, therefore, argues that the nature of a particular content provider might still affect – though never determine – the formation of interpretive communities online, and the nature of comments published around a series featuring LGBTQ character(s).
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 | 0,003 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».