Pornographisation de la culture populaire : analyse de contenu des vidéoclips
Bibliographic record
Abstract
La recherche qui suit consiste en une analyse des vidéoclips de musique, mais plus précisément l’influence pornographique dans les vidéoclips de musique. L’arrivée des médias de masse a permis à la pornographie à s’introduire dans des éléments qui ne lui étaient pas auparavant accessibles. Nous retrouvons maintenant les codes pornographiques et techniques de caméra utilisé dans les films pornographiques au sein des vidéoclips. \nCette étude a deux composantes, premièrement une analyse des liens entre l’industrie pornographique et l’industrie de la musique et, deuxièmement, deux différentes analyses de contenu des vidéoclips diffusés par la chaîne de télévision Much Music. La première analyse concerne une émission spécialisée diffusée l’hiver 2007 intitulée « The top 50 sexiest music videos » et la deuxième couvre les vidéoclips diffusés du top trente de la période de janvier 2009 à avril 2009. \n\tEn comparant nos trouvailles à ceux des autres chercheurs, il est possible de postuler qu’il y a aujourd’hui une importante augmentation de la représentation sexuelle implicite et explicite dans les vidéoclips. Les liens établis entre l’industrie pornographique et l’industrie de la musique sont désormais directs.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".