Qu’est-ce qu’être authentique sur YouTube ? Une étude de réception des vlogues du type A Day in my Life
Bibliographic record
Abstract
Découlant des mutations contemporaines de l’exposition de soi, la question de l’authenticité se présente souvent dans les discours associés au contenu publié sur les réseaux socionumériques. Les influenceurs, influenceuses et les youtubeurs, youtubeuses la revendiquent et la présentent comme une valeur expliquant leur succès, alors que leurs détracteurs, détractrices la critiquent et la remettent en question. Mais à quoi faisons-nous vraiment référence lorsque nous parlons d’authenticité dans les échanges sur les réseaux socionumériques, et plus précisément sur YouTube ? En s’appuyant sur une revue de la littérature sur les vlogues et leur rapport à l’authenticité, ainsi que sur les résultats d’une recherche réalisée au Québec portant sur l’audience des vlogues de type A Day in My Life sur YouTube, cet article se donne pour objectif de formuler une définition du concept d’authenticité. La méthodologie est basée sur une complémentarité d’entretiens du type compréhensif, la recherche cherche à permettre une meilleure compréhension de ce qui est mobilisé lorsque le terme authenticité est convoqué à propos de la mise en scène de soi en ligne.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.010 | 0.007 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".