Les comportements toxiques dans les jeux vidéo en ligne : quelles réponses normatives de la part des autorités publiques et des acteurs du milieu ?
Bibliographic record
Abstract
Très souvent caricaturés comme une activité solitaire, les jeux vidéo peuvent au contraire être, dans bien des cas, de formidables catalyseurs d’interactions sociales. C’est le cas en particulier des jeux en ligne qui encouragent les relations sociales entre les joueurs en en faisant parfois un élément essentiel de leur gameplay et de l’expérience vidéoludique. Toutefois, le revers de la médaille de ces jeux en ligne s’appuyant sur des interactions entre les joueurs ou permettant celles-ci réside dans le fait que certains d’entre eux peuvent abuser de ces fonctionnalités et adopter ce qui est communément appelé des comportements toxiques. Il s’agit, par exemple, d’insultes, de menaces ou encore de comportements antisportifs durant les parties. Ces comportements peuvent également être préjudiciables aux éditeurs de jeux et aux plateformes de jeu en ligne puisqu’ils peuvent porter atteinte à leur réputation et encourager certains joueurs à stopper leur pratique. Ceci peut alors se traduire en une perte de revenus pour ces acteurs. Dans ce contexte, nous nous interrogerons sur les manières dont les autorités publiques, dans les principaux marchés des jeux vidéo à travers le monde, et les plateformes de jeu en ligne se positionnent face à ces comportements toxiques. Cette problématique est-elle prise au sérieux? Si oui, pour quelles raisons et quelles sont les mesures mises en oeuvre? De manière plus générale, quelles sont les tendances actuelles en matière de lutte contre les comportements toxiques 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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".