Algorithms and the Streaming Wars: The Changing Meanings of Film and Television Culture
Notice bibliographique
Résumé
The film and television industry has been transformed by a new wave of over-the-top (OTT) video streaming services. Disney+, Apple TV Plus, NBC Universal’s Peacock, WarnerMedia’s HBO Max, and Quibi have all been released between November 12th, 2019 and May 27th, 2020, ushering in what the media has called the “Streaming Wars”. Like Netflix, Amazon, and Hulu, these platforms are dependent on the use of algorithms and Big Data, meaning the presence of these technologies within the industry will become increasingly pervasive, important, and unavoidable for producers and consumers alike. The purpose of this MRP is twofold: 1) to explore the current role algorithms play in the production, distribution and consumption of film and television, and to assess how these technologies are impacting broader notions of creativity and taste within the industry; and 2) to challenge the dominant critical theoretical perspectives that have emerged in regards to algorithmic cultures, namely, those contending that algorithms are replacing the fundamentally human process of cultural meaning- and decision-making. To achieve this, I explore the role algorithms play in the production and creative development of film and television, focusing my analysis on the emergence of data-driven creativity. I examine several third-party AI and analytics firms whose services automate the creative practices of ideation, script development, and casting. In addition, I examine how algorithms are changing the distribution and consumption of film and television via recommendation systems, and contribute to the existing dialogue regarding their implications on taste and taste-making. For that purpose, I apply Bucher’s (2018) method of reverse engineering to the Netflix Recommender System (NRS), revealing its circular and economic logics.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,031 |
| Communication savante | 0,026 | 0,020 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».