nouvelles représentations des minorités dans les Jeux vidéos : enjeux et significations
Bibliographic record
Abstract
Les jeux vidéo, vecteurs de personnages modèles pour le public se voient confrontés à la problématique des représentations. Face à des figures masculines hétérosexuelles blanches dominantes, les minorités de genre et d’ethnie sont souvent peu proposées au public ou lorsque c’est le cas sont souvent problématiques. L’industrie francophone qui prend une part de plus en plus importante dans ce marché semble pourtant vouloir insérer de nouveaux protagonistes hors de la norme établie avec des femmes et/ou des personnages de différentes ethnies et différentes sexualités. Cette décision de diversifier les protagonistes de jeux vidéo relève souvent de choix délicats pour ne pas tomber dans les stéréotypes ou la dévalorisation de minorités. Comment à travers les jeux vidéo francophones, la représentation des minorités prend-elle une place nouvelle et originale ? A travers l’analyse de différents jeux vidéo développés par des studios francophones, il sera possible d’analyser ces représentations mises en avant par ces derniers et surtout de les confronter à la perception des joueurs et des joueuses qui y est intrinsèquement liée. Entre character design, gameplay, narration et buts, les jeux vidéo francophones proposent une évolution des représentations des minorités, mais font tout de même face aux stéréotypes prédominants autour de celles-ci.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".