Quand mon personnage préféré consomme : Usages et représentations des médicaments et des drogues dans la websérie Skins
Bibliographic record
Abstract
Dans les styles de vie des adolescents et des jeunes adultes, le visionnement de films, de téléséries et de webséries occupe une place importante. Ces productions présentent des personnages et des scénarios qui mettent en scène les différentes problématiques auxquelles ces populations peuvent être confrontées telles que la consommation de drogues et de médicaments. Afin de cerner les modèles proposés, deux saisons de la websérieSkins, produite en Grande-Bretagne et qui remporte un grand succès international, ont été analysées à partir d’une étude de contenu faisant appel à une méthodologie mixte, quantitative et qualitative. Les analyses indiquent que la question des drogues et des médicaments occupe une place importante, le cannabis restant la drogue la plus représentée et utilisée tant par les personnages masculins que féminins. Elle est suivie par l’ecstasy. Si les drogues dures sont peu représentées, le recours aux médicaments à des fins non médicales est bien illustré, en particulier par les antidépresseurs et les traitements pour les troubles de l’érection. La websérie met en scène les étapes d’accès aux substances, leur préparation, leur consommation et même leur revente alors que ces thématiques étaient traitées de façon périphérique dans les productions télévisuelles des années 1990. Les modalités des états de conscience, de la défonce légère aux effets plus extrêmes et dangereux, sont abordées dansSkins. Cela met en évidence la variété des contextes et les fonctions collectives et individuelles de la consommation. Ces substances ne font généralement pas l’objet d’une évaluation négative dans les scénarios qui insistent plutôt sur leur banalisation et sur leur intégration dans le quotidien des jeunes, et ce, sans grands risques pour l’état de santé. Il resterait à cerner le processus de réception de cette série dans les différents contextes nationaux et à voir dans quelle mesure ces contenus influencent les normes et les pratiques de consommation des substances et des médicaments chez les adolescents.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".