L'utilisation de TikTok pour promouvoir le sport féminin : étude de la Ligue professionnelle de hockey féminin
Bibliographic record
Abstract
Cet essai explore les stratégies de contenu de 1) la Ligue professionnelle de hockey féminin (LPHF), ainsi que deux des équipes composant la ligue, les équipes des 2) Boston Fleet et 3) de la Victoire de Montréal. Il met en lumière le rôle crucial des médias sociaux, comme TikTok, pour promouvoir le sport féminin. En analysant la visibilité et l’engagement générés par les contenus publiés, cette recherche vise à comprendre comment maximiser ces éléments pour non seulement renforcer la notoriété du sport féminin, mais aussi de la Ligue professionnelle de hockey féminin. Cet essai repose sur une analyse de contenu qualitative appliquée à un échantillon de vidéos issues des comptes TikTok de la Ligue professionnelle de hockey féminin et des équipes de Montréal et Boston. Les résultats révèlent que les contenus les plus performants en matière de visibilité et d’engagement sont des vidéos de courtes durées diffusant un contenu divertissant. Ces vidéos incluent des extraits de matchs, des moments exclusifs en immersion dans les coulisses de la ligue ou des équipes, des challenges ou des « tendances » reproduits par les joueuses. Ces formats, en mettant en avant l’accessibilité et l’authenticité, rapprochent les équipes, les athlètes et leurs fans. Cependant, l’étude montre que les vidéos contenant plusieurs types de contenu ou styles de communication sont moins populaires auprès des utilisateurs. Enfin, l’application TikTok se distingue par sa flexibilité et sa capacité à rendre des contenus rapidement viraux. En somme, TikTok et les réseaux sociaux représentent des outils incontournables pour la promotion du sport féminin. En adoptant des stratégies combinant la créativité, l’immersion, l’authenticité et le suivi des « tendances », la Ligue professionnelle de hockey féminin et ses équipes peuvent non seulement renforcer leur position, mais aussi contribuer à la reconnaissance et au développement du sport féminin dans une perspective plus égalitaire et inclusive. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : sport féminin, TikTok, réseaux sociaux, athlètes, vidéos, LPHF, Boston, Montréal
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.002 |
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".