Fin de la partie pour les <i>Dark Patterns</i> ?
Bibliographic record
Abstract
Depuis les années 1970, le marché des jeux vidéo considérablement a évolué. Il a notamment vu l’émergence de nouveaux modèles d’exploitation et de monétisation au cours des années 2000. Selon les nouveaux modèles d’exploitation, les jeux vidéo sont considérés comme un service et non plus comme un produit vendu aux consommateurs une fois pour toutes. Les studios ayant adopté ces nouveaux modèles d’exploitation des jeux vidéo ont mis au point diverses stratégies — qualifiées par les auteurs de Dark Patterns — visant à maximiser l’engagement des joueurs et leurs dépenses dans les jeux. Quelques études récentes ont commencé à établir un lien entre les Dark Patterns et des effets psychiques et physiques délétères chez les joueurs. Ils peuvent notamment les conduire à perdre le contrôle du temps consacré à la pratique des jeux vidéo, ainsi que de leurs dépenses. Face à l’usage de ces Dark Patterns dans les jeux vidéo et leurs effets auprès des joueurs, il est important de se demander dans quelle mesure ce phénomène est pris au sérieux par les acteurs de l’industrie et les autorités publiques. Ont-ils conscience de ce phénomène et, le cas échéant, que font-ils pour lutter contre la présence et les effets des Dark Patterns dans les jeux vidéo? Pour répondre à ces questions, nous nous intéresserons d’abord aux pratiques des acteurs de l’industrie des jeux vidéo. Nous étudierons dans cette contribution l’utilisation de ces Dark Patterns et des mesures de régulation mises en place par les acteurs de l’industrie, le cas échéant. Dans un second temps, nous nous intéresserons aux stratégies et aux mesures adoptées par les autorités publiques dans les plus grands marchés de jeux vidéo à travers le monde, soit les États-Unis, l’Union européenne, la Chine, la Corée et le Japon. Nous verrons que diverses stratégies plus ou moins globalisées et plus ou plus moins coercitives sont aujourd’hui déployées pour lutter contre l’usage des Dark Patterns dans les jeux vidéo.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.021 | 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".