Convaincre le lecteur de s’engager dans un projet de transformation corporelle : analyses croisées des techniques argumentaires mobilisées par les concepteurs de trois méthodes de culture physique
Bibliographic record
Abstract
Au sein du champ concurrentiel de la culture physique, le promoteur d’une nouvelle méthode, désireux de convaincre ses lecteurs d’en devenir des pratiquants assidus, se doit de mobiliser une diversité de techniques visant à en démontrer, non seulement la validité intrinsèque, mais aussi la supériorité. À partir d’une analyse comparative des écrits de Greg Glassman (fondateur du CrossFit ), de Pavel Tsatsouline (leader de StrongFirst ) et d’Olivier Lafay (créateur de La Méthode éponyme), ont pu être mises en évidence trois visées principales de l’argumentation. En premier lieu, celle-ci vise à « faire comprendre » les préceptes fondamentaux du programme. Mais, comprendre ne signifie pas ipso facto accepter ; des tactiques rhétoriques ont ainsi pu être repérées, cherchant spécifiquement à « faire adhérer » et, enfin, à « faire agir » le lecteur, en l’incitant à s’engager dans un projet durable de transformation corporelle. En confrontant les stratégies des trois concepteurs, se dégage un « genre argumentaire » typique du champ de la culture physique, lequel s’actualise toutefois dans des « styles rhétoriques singuliers », propres à chaque auteur.
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 | 0.032 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.008 | 0.029 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".