El tratamiento informativo en televisión : Los macrogéneros información e infoentretenimiento
Bibliographic record
Abstract
Aquesta tesi doctoral realitza un anàlisi del tractament informatiu televisiu dels programes emesos a canals generalistes durant una setmana de programació a Espanya. A l'anàlisi del tractament informatiu televisiu s'inclouen programes tant del macrogènere informació com d'infoentreteniment, per a poder acomplir l'objectiu principal de la tesi: distingir les similituds i diferències entre aquests dos macrogèneres. Per a portar a terme aquest anàlisi es van escollit quatre temes seleccionats de manera inductiva: Nou govern, Nova executiva del PP, Independència catalana i Cas Laia. Dels programes escollits s'han analitzat variables com els recursos que empren les noticies, els i les protagonistes, l'estructura narrativa, el tipus de fonts utilitzades o els marcs de referència per a realitzar el tractament informatiu. En termes generals els resultats mostren com ambdós macrogèneres tenen apropaments similars en quant al tractament informatiu i el punt on es troben es, tot i que no en totes les ocasions, la informació espectacularitzada. Tot i que hi ha diferències entre ambdós macrogèneres és l'infoentreteniment el que s'allunya en major mesura de la espectacularització de la informació amb recursos com la informació de context en major freqüència o la omissió de temes de successos com el Cas Laia com a principals indicadors d'un tractament informatiu més exhaustiu i menys espectacularitat de la informació.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".