“Sur le web, je regarde des vidéos, des séries et des émissions”: catégorisation et sélection des contenus de divertissement visionnés en ligne par les jeunes de 12 à 25 ans
Notice bibliographique
Résumé
More and more adolescents and young adults watch entertainment (movies, television series, web series, and videos) on the Internet. This trend seems linked to the growth in available content, to the profound changes taking place within the cultural industries, and to the rapid development of mobile devices. The transformation of the audio-visual landscape is causing formats, genres and categories traditionally associated with conventional television content to evolve. \n \nThis empirical study’s purpose, then, is to understand how youth audiences (teenagers and young adults) experience these new online viewing practices and how they categorize and describe them. What content are they watching on the Internet for entertainment purposes? How much time do they spend watching audio-visual entertainment content online? How do they label the online content that they watch? What place does classic television viewing still hold? And lastly, do these processes vary by age and gender? \n \nOur analysis was based on an exploratory qualitative design. We held 10 focus groups with young Quebecois people aged 12 to 25 (28 girls/women and 33 boys/men) from diverse cultural and social backgrounds. Our findings indicate that the Internet is becoming the primary viewing source for entertainment, especially among young adults. We found that the time spent online varies according to gender and age. Furthermore, adolescents and young adults watch a wide-ranging pool of online audiovisual content, with different things at different times of day, as the participants naturally create personal viewing schedules. Adolescents distinguish between two key forms of online entertainment content: long formats chiefly comprising original television content (reality shows, dramas, sitcoms and films) and shorter formats more suited to original web productions and accessed usually via YouTubeor Facebook. Most of the young people questioned feel no need to categorise the content they watch online beyond liking or disliking it. We found, however, that some young people, especially young adults, systematize content into multiple diverse categories based on classic fiction classifications, context of viewing (where and with whom), enjoyment levels (moderate or intense) and attributes relating to the websites used to access it or the YouTube channels’ names.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».