Bibliographic record
Abstract
Ce texte se propose d’étudier la production de jeux vidéo du studio montréalais Red Barrels afin d’en saisir la richesse et l’exemplarité au sein du récent renouveau de l’horreur vidéoludique qui s’est opéré à travers une articulation du regard et de la spatialisation suscitant une dynamique de piège séduisant. Avec Outlast, en 2013, puis son extension Outlast: Whistleblower, sortie un an plus tard, le studio indépendant réactualisait certaines des grandes thématiques du genre horrifique : dans leur hôpital psychiatrique délabré, on retrouvait notamment le « drame de couloirs » de Noël Carroll, le chronotope du château de Mikhaïl Bakhtine et, telle que l’a théorisée Bernard Perron, la peur comme moteur émotionnel de l’avancée du joueur. Cependant, en retirant toute mécanique de combat et en équipant le personnage principal d’une caméra permettant de voir temporairement dans le noir, ces jeux se sont inscrits dans la mouvance du first-person avoider (jeu de fuite en vue subjective) qui se développait depuis 2010, où l’enjeu ludique tient principalement à l’idée de voir sans être vu. Dans des jeux vidéo qui renouent avec un principe de transgression du regard dont la Méduse antique constitue l’archétype, il ne s’agit pas tant de triompher des monstres que de ses peurs. En 2017, avec Outlast 2, Red Barrels s’est ensuite attaché à explorer les possibilités architecturales offertes par ce modèle en délaissant les intérieurs médicaux pour un village isolé propice à ce que Mario Gerosa a qualifié de « claustrophobie à ciel ouvert », mais aussi en usant de structures spatiales défiant la physique renvoient symboliquement à l’enjeu du regard comme pourvoyeur de connaissances et du trouble de sens devenant suspects. Il s’agira donc, au fil de l’analyse de ces trois œuvres, de proposer un aperçu des enjeux esthétiques qu’elles suscitent et qui témoignent du dynamisme des productions vidéoludiques indépendantes actuelles.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".