Le défi de la construction d’un public pour le journalisme au temps de Google Analytics
Bibliographic record
Abstract
Ce texte entend attirer l’attention sur l’une des transformations que connaît le journalisme contemporain, soit l’abandon d’une représentation du public comme formé de citoyens au profit d’un destinataire-cible qu’il s’agit de trouver. Ce changement découle de la précarité dans laquelle les médias sont plongés par le contexte d’hyperconcurrence : se construire un public et le garder est devenu un défi majeur. En réaction, les médias tentent de bénéficier des outils informatiques qui quadrillent de façon de plus en plus extensive les comportements des consommateurs sur l’Internet. Ce texte rappelle d’abord le lien traditionnel entre le journalisme, en tant que recruteur de publics, et l’industrie médiatique. Puis il porte le regard sur la place centrale que jouait la conception du public maintenant battue en brèche, dans le rapport des journalistes aux entreprises qui utilisent leur production. Enfin, il évoque les déboires et expérimentations que vivent, sur le front du recrutement et de la rétention de leurs publics, trois médias canadiens que l’auteur a eu la possibilité de fréquenter de plus près au cours des dernières années, le Reader’s Digest, le Voir et le site Graffici.ca.
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 | 0.010 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.010 | 0.030 |
| Scholarly communication | 0.048 | 0.034 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.007 | 0.009 |
| Insufficient payload (model declined to judge) | 0.016 | 0.008 |
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".