Design narratif : considérations préalables à son étude et à l’analyse de compositions ludofictionnelles sous le modèle EST
Bibliographic record
Abstract
Cet article propose en premier lieu un sommaire de pratiques dont la littérature est lacunaire en langue française, soit le domaine émergeant du design d’éléments narratifs, avant d’en arriver à ses applications plus étroitement liées aux jeux vidéo contemporains. Les domaines de la création d’univers imaginaires et d’histoires ou encore de la fabrication concrète de mondes artificiels comprennent un ensemble de démarches et méthodes fondées sur diverses traditions créatives, théoriques ou professionnelles antérieures au design de jeu vidéo. De surcroît, saisir comment les productions de scénarios, de documents et de systèmes interactifs s’entrelacent au long du développement de produits culturels est devenu essentiel en vue d’atteindre une teneur esthétique estimée par le public et, par conséquent, attendue dans l’arène compétitive de la production vidéoludique. Pour ces raisons, un cadre formel résumant les composantes stylistiques du design narratif (« narrative design ») est ainsi présenté par l’auteur dans l’objectif de guider ou d’encourager les membres de la communauté de recherche en sciences du jeu et en design vidéoludique à raffiner leurs démarches de création et d’analyse. Il est synthétisé sous le modèle EST (Éléments, Schémas, Transversaux), un outil utile à la conception fictionnelle, à la scénarisation interactive et au design de jeu vidéo à forte teneur narrative, qui peut servir de guide complémentaire à la critique tout en étant bénéfique aux processus itératifs de design.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".