Utilisation de l’humour dans le contexte d’une crise d’entreprise
Bibliographic record
Abstract
Cet article cherche à comprendre le phénomène des réactions humoristiques sur un média socio-numérique en situation de crise. Plus précisément, la question de recherche suivante guide cette réflexion: dans un contexte de crise, comment l’humour est-il utilisé pour porter une critique et répéter des «vérités» au sein d’une communauté de jeu vidéo? À partir d’un cadre conceptuel inté-grant autant l’approche pragmatique et rhétorique que les actes de langage humoristique et les concepts foucaldiens de discours et de vérité, un cas a été analysé en détails: la crise ayant affecté la communauté du jeu vidéo No Man’s Skysur le subredditofficiel du jeu. Par l’analyse qualitative et quantitative d’un corpus de cinquante unités humoristiques, les résultats indiquent une tendance à employer l’humour dans le but de critiquer le jeu et le studio derrière celui-ci. Les types d’humour favorisés (ironie, sarcasme et parodie) montrent que les locuteurs font appel à des savoirs préa-lables sur les événements entourant la culture du jeu et cherchent à créer un jeu de connivence avec les destinataires. Ainsi, une «vérité» émerge par la production, valorisation et réitération de dis-cours humoristiques qui véhiculent explicitement ou non diverses critiques. L’effet de ces actes humoristiques sera donc de renforcer la cohésion de communauté et de confirmer les croyances, normes sociales, idéologies et savoirs partagés. À la lumière de ce cas, il apparaît que le regroupe-ment d’une communauté sur le Web et la communication au sein de celle-ci puissent effectivement amplifier le phénomène de crise. Ceci est d’autant plus vrai lorsque l’entreprise à l’origine de la crise évite d’intervenir et de répondre aux consommateurs, laissant ainsi la communauté à elle-même.
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 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.013 | 0.024 |
| Scholarly communication | 0.013 | 0.012 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".