Bibliographic record
Abstract
L’intégration de l’intelligence artificielle générative (IAGen) dans différentes sphères économiques et sociales s’est accélérée à une vitesse qu’on n’aurait pu prévoir. Tous les secteurs professionnels sont touchés, chacun tentant d’évaluer les gains et limites de cette intégration. Le milieu de la communication créative – agences de publicité, agence numérique, pigistes en communication, créateurs de contenu – ne fait pas exception alors que toute la chaîne de décisions stratégiques menant à la création de messages intègre son lot d’IAGen pour optimiser les opérations et accélérer la production. Toutefois, ces promesses sont assorties d’un lot d’impacts éthiques, économiques, interpersonnels qu’il est encore difficile d’évaluer. L’industrie de la communication créative reposant sur la valeur accordée à la créativité des agences, cet article relève les tensions engendrées par l’arrivée des IAGen et l’impact de ces dernières sur les processus de création. Soutenus par une revue de la littérature narrative sur les promesses et enjeux des IAGen et partant d’une perspective sociomatérielle de la créativité, nous relevons cinq dualités entre les gains et les défis à la créativité dans l’usage des IAGen. Au final, nous proposons trois recommandations dans l’intégration des IAGen dans les agences de communication créative.
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 | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.037 |
| Scholarly communication | 0.018 | 0.010 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 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".