“Euronoir Ltd.” ? Deux décennies d’import/export de fiction criminelle vues de France
Notice bibliographique
Résumé
La nbuleuse notion d' Euronoir jouit d'une certaine reconnaissance mdiatique depuis l'essai journalistique de Barry Forshaw, qui l'a en quelque sorte labellise 1 . Souhaitant questionner de manire critique cette appellation, qui dans sa saisie unifiante pourrait relever pour partie de la prophtie auto ralisatrice, nous viserons dans cet article en prouver la validit, en apprhendant les phnomnes amalgams sous cette tiquette par un distant reading outill numriquement 2 . Conformment aux perspectives dessines de manire pionnire par Franco Moretti 3 et approfondies par son quipe de Stanford University 4 , les graphiques, cartes et statistiques, labors partir d'un questionnement raisonn du big data disponible, peuvent en effet constituer selon nous des instruments analytiques qui dmontent l'oeuvre d'une faon inhabituelle et imposent de nouvelles tches l'intelligence critique 5 ; ces expriences , qui russissent si elles reposent sur un travail prliminaire d'abstraction et de quantification 6 , peuvent de fait permettre de porter un regard renouvel, sinon indit, sur des phnomnes massifs de production, diffusion et circulation des fictions mdiatiques, que le seul close reading textualiste peine saisir autrement que de manire parcellaire et intuitive.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».