Bibliographic record
Abstract
L'industrie de l'humour francophone au Québec n'a pas échappé à la crise générée par la pandémie de COVID-19.Le Groupe de recherche sur l'industrie de l'humour (GRIH) de la Sprott School of Business de l'Université Carleton a examiné diverses dimensions de cette crise dans le secteur des arts de la scène, en particulier dans l'industrie de l'humour. La crise de la COVID-19 dans l'industrie de l'humourDepuis plusieurs années, l'industrie de l'humour est florissante, si l'on considère la vente de billets de spectacles (Fortier, 2019 et 2022) et la rentabilité.On voit des humoristes un peu partout sur la scène, dans des émissions ou séries télévisées, comme animateurs d'émissions et de galas, comme participants à des jeux télévisés, comme scénaristes et réalisateurs de films.Une étude de Daigle et Saire (2009) a calculé un indice d'équilibre de la programmation des diffuseurs, afin d'examiner leur équilibre financier ; cet indice est positif uniquement pour l'humour, les variétés et les spectacles étrangers, ce qui signifie que l'humour contribue positivement au niveau financier pour les diffuseurs au Québec (Brouard, Pilon et Paré, 2020).Pour les revenus totaux, « les résultats sont négatifs pour plus de la moitié des disciplines [artistiques] tant par représentation que par spectateur » (Daigle et Saire, 2009, p. 56).Pour l'humour, on constate un
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.039 | 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".