L’art de raconter une bonne histoire : analyse de la couverture médiatique des gangs de rue à la télévision et sur les plateformes numériques de Radio-Canada
Bibliographic record
Abstract
Le contenu médiatique est le résultat d’un processus de filtrage particulier. En matière de criminalisté, la sélection d’un évènement et l’attention qu’on lui porte dépendent de son attrait médiatique. La violence du crime, la victimisation de plus d’une personne, la vulnérabilité de la ou des victimes ou encore l’absence de lien entre les protagonistes sont autant d’éléments qui contribuent à l’intérêt des médias pour une nouvelle. Certains de ces éléments sont couramment utilisés par les journalistes pour couvrir les évènements criminels concernant les gangs de rue. Or, l’attention médiatique envers les gangs et la manière dont cette attention influence le traitement de la nouvelle demeurent, à ce jour, peu étudiées. Un corpus de 417 reportages diffusés par Radio-Canada à la télévision et sur Internet a permis de comparer le traitement médiatique de 210 reportages au sujet des gangs de rue avec celui de 207 qui portent sur la criminalité de manière générale. Les résultats suggèrent que les nouvelles rapportant des évènements criminels associés aux gangs bénéficient d’un traitement médiatique plus important, notamment par des reportages plus longs et plus complets. Ainsi, indépendamment des éléments qui déterminent ce qui fait une bonne nouvelle, celles concernant les gangs font des histoires médiatiquement intéressantes.
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.009 | 0.017 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.009 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".