La communication non verbale dans les médias télévisuels
Notice bibliographique
Résumé
Depuis au moins une dizaine d’années, les médias télévisuels font la promotion d’idées reçues sur les gestes et les expressions faciales. Des séries policières présentent l’analyse de la communication non verbale comme un outil qui, pour les professionnels de la justice, permettrait de distinguer efficacement la vérité des mensonges. De plus, des intervenants, présentés explicitement ou non comme des body language experts, proposent des « décryptages » du non-verbal de personnalités publiques. Toutefois, quelle est la nature de l’information véhiculée par de tels « décryptages » et comment, en pratique, peuvent-ils nuire à la bonne administration de la justice ? Pour répondre à cette question, nous avons analysé de façon minutieuse et approfondie un « décryptage » d’Aaron Hernandez lors de son procès. Les résultats de notre analyse montrent comment l’intervenante (a) fait parler implicitement les comportements non verbaux d’Hernandez, obligeant alors les téléspectateurs à reconstruire ce qu’elle laisse entendre, et (b) fait indirectement la promotion d’idées reçues sur la communication non verbale qui peuvent fausser l’appréciation de la preuve par les juges et les jurés. Les résultats sont discutés à l’aide de la littérature scientifique sur la communication non verbale et la détection du mensonge.
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 | 0,002 | 0,013 |
| 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 | 0,005 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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; 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 ».