The francophone scene in France and Quebec. Two export realities
Bibliographic record
Abstract
Alors que des artistes québécois tentent de se frayer un chemin sur la scène française et que des artistes français tentent de se faire une place au Québec, pourquoi ces artistes doivent-ils se confronter à la difficulté de s’imposer sur l’un ou l’autre de ces territoires quand de part et d’autre de l’Atlantique les artistes partagent la même langue ? Malgré tout, l’export vers l’un ou l’autre de ces territoires est-il plus accessible ? Autrement dit, la scène francophone à l’export en France et au Québec revêt-elle deux réalités distinctes ? Après l’étude du rayonnement des artistes français et québécois à l’international pour analyser si les artistes de part et d’autre de l’Atlantique ont le même succès et en particulier au Québec pour les français et en France pour les québécois, une attention particulière a été portée à la question de la francophonie pour comprendre l’importance de cet enjeu au Québec notamment. Les profils des marchés francophones français et québécois ont ensuite été étudiés. Enfin, l’analyse des dispositifs et des stratégies mis en place en France et au Québec ainsi que les collaborations franco-québécoises nous a permis de mettre en lumière des pistes pour réussir un export entre la France et le Québec.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.020 | 0.006 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 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".