Des peuples de l’écrit aux peuples des écrans : entre copiage, complémentarité et remplacement
Bibliographic record
Abstract
Plus Internet et le numérique se répandent et se démocratisent sur diverses interfaces mobiles et convergentes, plus l’écran prend une place centrale dans nos échanges et dans notre vie. Le livre numérique, après la musique, fut un des premiers secteurs touchés par cette révolution numérique avec le secteur de la presse. Cet article fait le point sur l’écran et le marché du livre numérique aujourd’hui, et sur comment ce marché se développe au Québec et ailleurs dans le monde par rapport à celui des livres imprimés. On constate que le livre imprimé continue à se maintenir et surtout à progresser même si le livre numérique continue, lui aussi, à se développer et à progresser, mais plus lentement. Le temps des hommes devient le temps de la technologie et vice-versa, en particulier à l’ère de l’informatique cellulaire. Mais, paradoxalement, si l’écriture et la lecture numérique se développent, le livre numérique voit ses ventes reculer, car lire ne veut pas forcément dire acheter. On redécouvre le rôle fondamental des bibliothèques pour développer le goût de l’écriture et de la lecture. Elle offre une multitude de services, dont celui de prêt gratuit de livre numérique encouragé par l’impact de la pandémie qui force les gens à rester chez eux. Cela crée quelques conflits, mais aussi des opportunités de collaboration avec les éditeurs qui eux doivent vendre leurs publications.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.011 | 0.021 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 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".