Les laboratoires des entreprises vidéoludiques installées au Québec et les partenariats avec l’université
Bibliographic record
Abstract
Il y a une grande production de jeux vidéo au Québec, et, en matière de recherche, la province a su favoriser les partenariats entre les entreprises vidéoludiques et les laboratoires universitaires, les unes et les autres ayant développé une expertise propre. Dans cet article, la question suivante sera d’abord posée : quels genres de recherches sont menées en entreprise? L’objectif n’est pas de faire un relevé systématique des diverses formes que prend la recherche dans toutes les entreprises localisées au Québec, mais plutôt de décrire les principales réalités qui s’y affirment afin de répondre à une seconde question : quel genre de recherche n’est pas menée en entreprise ? La réponse servira à tracer les grandes lignes de possibles partenariats avec des chercheur.se.s s’intéressant aux pratiques de jeu et aux communautés de joueur.se.s, thématique peu étudiée en entreprise. Parmi les laboratoires universitaires, celui de l’Université du Québec à Montréal fera l’objet d’une brève présentation, occasion de situer la recherche qui s’attache à la compréhension des dynamiques identitaires, communicationnelles et sociales au sein des communautés de joueur.se.s. L’article se conclut sur quelques perspectives d’avenir qu’ouvre à la recherche dans ce domaine le développement de l’intelligence artificielle et de l’apprentissage machine.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.013 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 0.004 |
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".