Étude comparative des politiques publiques de soutien au secteur des jeux vidéo
Notice bibliographique
Résumé
In recent decades, video games have become one of the major engines of growth in the creative industries and one of the most important and dynamic segments of the media and entertainment sector. In 2009, video gaming’s global revenue was US$ 52 billion; now estimates anticipate a rise from US$227 billion in 2023 to US$ 327 billion in 2028. The industry has been widening its audience to include older and more female users. Worldwide, there were over three billion players at the end of 2022. It took three decades for the entertainment video industry to be recognised as a major industry. Then the sector has been progressively acknowledged as an economic and cultural asset. The public authorities of many countries started developing specific support policies. Often these policies depended on the interventionist (or non-interventionist) traditions of the countries involved, as well as on the initial situation in each case. Even if the interventions are ultimately about supporting the industry, the hierarchy of goals differs. This article offers a comparative study of public policies supporting the video game industry. It seeks to highlight the diverse motivations behind these policies, including economic development, support for technological innovation, assistance with creation, heritage development, and the promotion of cultural heritage. The article focuses on four countries (Canada, China, North Korea, and France) to show how these policies, which may appear similar, are primarily the product of local, national, and regional histories and contexts.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».