L’écrivain en tant que self media dans le contexte épidémique de la COVID‑19. Médiatisation de soi et auto-exposition
Bibliographic record
Abstract
Au prisme des théories de la médiatisation, l’article interroge l’auto-exposition de l’écrivain en tant que self media afin de développer une approche de l’auteur et de l’œuvre artistique qui met en exergue la façon dont les logiques des médias socionumériques transforment l’écrivain en un aucteur. L’analyse porte sur un corpus de posts publiés dans le contexte pandémique de la COVID‑19 et appartenant à dix écrivains roumains qui ont utilisé Facebook à différents degrés pour promouvoir leurs œuvres, lesquelles appartiennent à divers genres littéraires. Les changements du rôle de l’écrivain numérique et l’émergence d’une nouvelle figure auctoriale sont interrogés en regard d’un paysage culturel où compte de plus en plus l’impact des nouvelles technologies de l’information et de la communication sur les pratiques de promotion de l’œuvre artistique par l’auteur lui-même. Dans une perspective communicationnelle, l’article soutient que la médiatisation offre un cadre interprétatif pour penser la pratique médiatique individuelle à large portée, ainsi que pour réfléchir aux transformations des modes de communication auctoriaux aussi bien en matière de praxis que d’usage.
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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.008 | 0.031 |
| Scholarly communication | 0.012 | 0.011 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".