La diversité culturelle dans les accords commerciaux : vers une nouvelle approche ?
Bibliographic record
Abstract
En premier lieu, le numéro de septembre met en lumière le texte des accords commerciaux du Canada avec l’Union européenne et la Corée du Sud et il analyse la façon dont les négociateurs ont traité des industries culturelles et de la question de la diversité des expressions culturelles. En deuxième lieu, il aborde les enjeux récents des services audiovisuels non-linéaires qui bouleversent les acteurs dans le paysage audiovisuel, ainsi que la nature et les objectifs de l’intervention publique dans le secteur. En troisième lieu, il met l’accent sur la confrontation entre les auteurs/éditeurs et le géant américain de commerce en ligne Amazon qui révèle l’importance de la mise en place de mesures réglementaires dans le domaine des services culturels numériques – tels que le livre électronique - qui représentent l’avenir du secteur. Enfin, Louise Beaudoin, ancienne ministre des Relations internationales et de la Francophonie du Québec et actrice de premier plan dans le processus de la construction de la Convention sur la diversité des expressions culturelles (CDEC) nous explique l’impact des technologies numériques sur la mise en œuvre de la CDEC, montrant la nécessité d’adapter la CDEC aux défis de l’ère numérique.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.007 | 0.020 |
| Scholarly communication | 0.025 | 0.013 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.009 | 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".