Notice bibliographique
Résumé
De très nombreux discours autour de la puissance de la recommandation algorithmique ont accompagné l’émergence de Netflix comme service de Vidéo à la Demande par Abonnement (VàDA) et, surtout, son entrée dans la production de contenus en 2012. Selon l’argument général, la connaissance extrêmement fine que les algorithmes de recommandation auraient des connaissances et habitudes de consommation audiovisuelle des usagers serait capable de guider la firme dans ses choix créatifs, lui assurant la production ou l’acquisition de programmes certains de connaître le succès. Cet article étudie ces discours et retrace leurs trajectoires en regard des stratégies de développement de Netflix. Permettant d’afficher la plateforme comme un éternel outsider issu de la « tech’ » dans un monde de la production audiovisuelle qu’elle entend « bouleverser » — selon une rhétorique de la « disruption » habituelle dans la Silicon Valley — ces discours sont essentiels à sa communication financière, alors même que les logiques de Netflix tendent à se rapprocher toujours davantage du fonctionnement traditionnel des industries culturelles. Dans le cadre d’une approche en économie politique de la communication, nous analysons celles-ci dans la suite des syntagmes mythiques qui entourent traditionnellement le déploiement des technologies médiatiques.
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 | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».