Bibliographic record
Abstract
De très nombreux discours autour de la puissance de la recommandation algorithmique ont accompagné l’émergence de Netflix comme service de Vidéo à la Demande par Abonnement (VàDA) et, surtout, son entrée dans la production de contenus en 2012. Selon l’argument général, la connaissance extrêmement fine que les algorithmes de recommandation auraient des connaissances et habitudes de consommation audiovisuelle des usagers serait capable de guider la firme dans ses choix créatifs, lui assurant la production ou l’acquisition de programmes certains de connaître le succès. Cet article étudie ces discours et retrace leurs trajectoires en regard des stratégies de développement de Netflix. Permettant d’afficher la plateforme comme un éternel outsider issu de la « tech’ » dans un monde de la production audiovisuelle qu’elle entend « bouleverser » — selon une rhétorique de la « disruption » habituelle dans la Silicon Valley — ces discours sont essentiels à sa communication financière, alors même que les logiques de Netflix tendent à se rapprocher toujours davantage du fonctionnement traditionnel des industries culturelles. Dans le cadre d’une approche en économie politique de la communication, nous analysons celles-ci dans la suite des syntagmes mythiques qui entourent traditionnellement le déploiement des technologies médiatiques.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".