Théâtre réparti : scénographies pour une représentation répartie sur plusieurs sites
Bibliographic record
Abstract
De nouvelles formes d’expression théâtrale, de scénographie sont rendues accessibles par le développement de nouvelles technologies. Il devient envisageable d’élaborer une scénographie répartie sur plusieurs sites. Dans cette scénographie, chaque site produit une partie de la scène. Ces parties sont rassemblées par transmission électronique, puis traitées par informatique pour composer la scène globale en respectant la contrainte que les spectateurs des différents sites assistent à la même représentation. Cette étude s’inscrit dans une démarche de création de scénographies dont un des maîtres contemporains est Jacques Polieri. Par ailleurs, nous nous appuyons sur des recherches menées par Béatrice Picon-Vallin relatives aux écrans sur la scène et Franck Bauchard sur théâtre et numérique. Enfin nous faisons référence à des technologies qui s’apparentent au domaine de la réalité virtuelle, dont des précurseurs dans le domaine de la création théâtrale sont Brenda Laurel et Mark Reaney. Partant de la traditionnelle scène à l’italienne, le cheminement adopté dans cet article consiste à concevoir des scénographies et les technologies associées, en suivant une progression logique vers l’objectif : théâtre réparti.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.011 | 0.013 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.047 | 0.009 |
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".