La communication non verbale dans les médias télévisuels
Bibliographic record
Abstract
Depuis au moins une dizaine d’années, les médias télévisuels font la promotion d’idées reçues sur les gestes et les expressions faciales. Des séries policières présentent l’analyse de la communication non verbale comme un outil qui, pour les professionnels de la justice, permettrait de distinguer efficacement la vérité des mensonges. De plus, des intervenants, présentés explicitement ou non comme des body language experts, proposent des « décryptages » du non-verbal de personnalités publiques. Toutefois, quelle est la nature de l’information véhiculée par de tels « décryptages » et comment, en pratique, peuvent-ils nuire à la bonne administration de la justice ? Pour répondre à cette question, nous avons analysé de façon minutieuse et approfondie un « décryptage » d’Aaron Hernandez lors de son procès. Les résultats de notre analyse montrent comment l’intervenante (a) fait parler implicitement les comportements non verbaux d’Hernandez, obligeant alors les téléspectateurs à reconstruire ce qu’elle laisse entendre, et (b) fait indirectement la promotion d’idées reçues sur la communication non verbale qui peuvent fausser l’appréciation de la preuve par les juges et les jurés. Les résultats sont discutés à l’aide de la littérature scientifique sur la communication non verbale et la détection du mensonge.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".