Les utilités du jeu vidéo sérieux : finalités, discours et mises en corrélation
Bibliographic record
Abstract
Les jeux vidéo sérieux offrent aujourd’hui une grande diversité de catégories et d’usages. Ils prétendent changer notre rapport au monde comme au jeu. Pour surmonter les paradoxes provenant de l’opposition entre activité ludique et activité sérieuse, il est préférable d’étudier ces nouveaux produits en termes d’utilité. La méthode de la recherche présentée ici a consisté à prendre en considération le point de vue et les intérêts particuliers de ceux qui les produisent – les émetteurs –, et de ceux qui les pratiquent – les récepteurs. Le résultat obtenu est que leurs finalités respectives sont surtout convergentes et complémentaires dans le cas de la formation et du soin, alors qu’elles divergent et changent de nature dans le domaine de la communication journalistique, politique et surtout publicitaire. Il se trouve que cette réalité est masquée par le discours des promoteurs des jeux sérieux qui tiennent des propos très globalisants. Pour dépasser la rhétorique des acteurs d’un secteur en pleine expansion, une nouvelle définition du jeu vidéo sérieux est finalement proposée. Elle se fonde sur l’instrumentalisation du jeu vidéo et conclut sur l’idée que tous les jeux sérieux cherchent à mettre en corrélation effective le jeu et la réalité.
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 | 0.009 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".