Enjeux de la lecture institutionnelle de scénarios de longs métrages de fiction au Québec
Bibliographic record
Abstract
Ce que nous proposons de faire dans ce mémoire est de s’attarder au phénomène spécifique de la lecture des scénarios dans le contexte institutionnel québécois. Nous analyserons un corpus de cent soixante douze rapports de lecture de scénarios de longs métrages de fiction rédigés entre 1972 et 2004. Il n’existe, à notre connaissance, aucune étude portant spécifiquement sur un corpus de rapports de lecture. Dans un premier temps, nous situerons le rôle et la place du scénario dans l’histoire de la production de films de fiction québécoise, entre acceptation et refus. Ensuite, nous nous intéresserons à la manière dont concrètement les scénarios sont lus : par qui, comment, dans quelles conditions, avec quels objectifs. Enfin, en utilisant une analyse par théorisation ancrée (grounded theory), nous identifierons, à partir des commentaires émis dans les rapports, cinq entités sur lesquelles le lecteur se fonde pour formuler son jugement. Il s’agit du scénariste, du scénario proposé, du lecteur lui-même, du film à faire et du spectateur présumé que nous nommerons fictif. Nous en conclurons que le lecteur de scénario occupe une fonction de médiateur entre un texte et son auteur d’une part et un futur film et son spectateur réel d’autre part. Cette médiation est le lieu de convergence de différentes attentes, celles des lecteurs, des auteurs, des producteurs et des institutions.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.013 | 0.006 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 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".