L’impact social des algorithmes de recommandation sur la curation des contenus musicaux francophones au Québec. Enquête qualitative.
Bibliographic record
Abstract
Le 19 février 2018, l’Institut National de la Recherche Scientifique (INRS), en tant qu’organisme scientifique, et Jonathan Roberge, en tant que responsable scientifique, ont reçu pour mandat de la Société de développement des industries culturelles du Québec (SODEC), dans le cadre du Plan Culture Numérique du Québec (PCNQ), de réaliser une étude exploratoire portant sur l’impact des algorithmes de recommandation et la curation des contenus musicaux francophones québécois sur les plateformes de musique en ligne et continue, plus communément appelée plateformes de streaming. En l’occurrence, alors que ces dernières ont bousculé l’écosystème musical à l’échelle internationale, il n’existe que peu de travaux permettant de comprendre leurs impacts sociaux, a fortiori dans le cas du Québec. Cette recherche vise donc à combler un besoin de connaissance relatif aux transformations sociales et techniques occasionnées par les plateformes de streaming dans l’écoute de la musique francophone québécoise. Le présent rapport vise à contribuer de manière inédite, compréhensive et stratégique aux trop rares recherches portant sur les usages sociaux de la musique sur les plateformes de streaming et la manière dont les professionnels, au Québec, s’adaptent et participent de cette reconfiguration des industries musicales.
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 | 0.026 | 0.115 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".