La culture populaire visuelle : un espace à explorer pour les études critiques de sécurité
Bibliographic record
Abstract
Depuis le xixe siècle la culture populaire joue un rôle important dans la construction de ce que Jutta Weldes a appelé la « sécurité imaginaire », c’est-à-dire la façon dont une société conçoit sa sécurité, dans le sens le plus large du terme, la défense de celle-ci et les menaces dont elle ferait l’objet. La culture populaire, surtout le cinéma et les séries télévisées, offre un terrain extraordinaire à explorer pour les études critiques de la sécurité, surtout à une époque où la sécurité est devenue presque une obsession, du moins dans les pays occidentaux. Commençant avec une brève discussion du lien entre culture populaire et sécurité, l’article poursuit en proposant une méthode qualitative pour analyser la façon dont les divers artefacts de culture populaire contribuent à la construction de la sécurité imaginaire (par exemple, en renforçant les conceptions dominantes des menaces ou des sources d’insécurité et d’anxiété) ou bien à la déconstruire (par exemple, en révélant les mécanismes et les processus qui produisent le sentiment d’insécurité, et au profit de qui, ou simplement en la ridiculisant). Dans sa dernière partie, l’article présente deux études de cas, le film d’Alfred Hitchcock Fenêtre sur cours et la série télévisée danoise The Killing II, pour illustrer la contribution que la culture populaire peut faire aux études critiques de sécurité.
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 | 0.007 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.011 | 0.036 |
| Scholarly communication | 0.013 | 0.010 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 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".