L'utopie numérique : discours et réalités sur la numérisation des salles de cinéma illustrés par le cas de l'entreprise DigiScreen
Bibliographic record
Abstract
Le présent mémoire se propose de démontrer l’impossible concrétisation du « mythe de la disruption numérique d’Hollywood » tel que décrit par Kira Kitsopanidou et, par extension, l’augmentation de la diversité cinématographique en salles due à l’arrivée de la technologie numérique. Ce mythe, qui entretient l’idée de la mort d’Hollywood, a été véhiculé par certains textes (dont plusieurs provenant des médias de masse) qui participent à ce que nous pourrions appeler, à la suite de Foucault, une véritable « formation discursive » concernant les technologies. Ainsi, le premier chapitre fera l’analyse des principaux écarts entre ce discours utopique et la réalité en s’appuyant sur les facteurs socio-économiques qui touchent le processus d’adoption des innovations, particulièrement ceux qui ont trait à la salle de cinéma. Deuxièmement, nous étudierons les réalités qui touchent l’implantation de la technologie numérique dans les salles. Avantageusement, elles expliquent aussi la lenteur de ce processus que le discours a qualifiée de retard. Le troisième chapitre permettra d’illuster les concepts abordés précédemment grâce à l’étude du cas de l’entreprise DigiScreen qui souhaitait augmenter la diversité cinématographique en salles au Québec en proposant aux exploitants de l’équipement numérique à prix réduit. Elle constitue, en quelque sorte, l’incarnation de certains espoirs discursifs. Finalement, nous verrons l’héritage contemporain laissé par les tentatives de numérisation des salles au début du XXIe siècle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.008 | 0.014 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".