Fraudes, violences et autres comportements déviants dans le sport professionnel et olympique
Bibliographic record
Abstract
Les sources ouvertes en ligne sont de plus en plus utilisées comme outils de renseignement. Cette contribution explore la manière dont elles peuvent être utilisées pour étudier la déviance dans le sport professionnel et olympique. L’étude a considéré les fraudes perpétrées sur le terrain (le dopage, la manipulation de match et les fraudes à l’éligibilité) et en dehors (la corruption), les violences sur et en dehors du terrain de jeu (le hooliganisme et le terrorisme), ainsi que les autres comportements préjudiciables commis par les sportifs, que ce soit sur le terrain ou en dehors. Un dispositif de veille en ligne a été mis en place pour la récolte d’articles publiés en 2016 en anglais. Des 775 cas qui ont été relevés, les fraudes (surtout les cas de dopage et de manipulations de matchs) comptaient à elles seules pour 85 % des cas. Au total, 87 pays sont impliqués dans cette étude, bien que certaines sous-régions – l’Europe de l’Est (17,4 %), l’Afrique de l’Est (16,1 %), ainsi que l’Australie et la Nouvelle-Zélande (10,2 %) – se démarquent par une concentration plus élevée de cas. Quant aux patterns temporels, des distributions sont concentrées surtout aux mois d’août et novembre pour les fraudes, et aux mois de juin et juillet pour les violences. Ces tendances peuvent laisser supposer une saisonnalité des comportements déviants. En se concentrant sur les biais liés au langage et aux types de sources, des recherches plus approfondies sur le sujet pourraient contribuer à une surveillance systématique de la représentation médiatique de ces phénomènes dans le monde.
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 | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.009 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".