Éric GEORGE (dir.), Anne-Marie BRUNELLE et Renaud CARBASSE (coll.) (2015), Concentration des médias, changements technologiques et pluralisme de l’information
Bibliographic record
Abstract
Voici un ouvrage dont le titre est déjà provocateur pour avoir réuni trois concepts et pas les moindres : concentration, changements et diversité. La table des matières détaillée et suggestive invite surtout le lecteur initié à revisiter toute une littérature accumulée et stabilisée en revenant sur les notions et les approches traditionnelles et en découvrant leur évolution ainsi que les perspectives actuelles. Interroger cette thématique qualifiée de « surannée » et de « renouvelée » de concentration des médias intervient dans un contexte médiatique reconfiguré. L’ampleur de la reconfiguration de la filière informationnelle a légitimé l’invitation insistante de revisiter une question traditionnelle : qu’entend-on par le pluralisme de l’information ?2Dans 15 contributions, les auteurs ont rapporté surtout des résultats des enquêtes empiriques menées dans plusieurs pays et paysages médiatiques et informationnels. Partant du principe de l’accumulation des résultats des travaux sur les liens de causalité en sciences humaines et sociales, les contributeurs se refusent « de conclure de manière systématique à l’existence de liens, du moins directs, entre concentration de la propriété, d’une part, et appauvrissement de la diversité des contenus, d’autre part » (p.13).
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.019 | 0.012 |
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".