Saisir les dynamiques du conflit israélo-palestinien par les commentaires de vidéos et d’images sur Facebook
Notice bibliographique
Résumé
Sur les médias sociaux, on trouve un nombre très important de publications audiovisuelles. Cela représente un matériau d’analyse considérable qui peut être étudié sous de multiples angles. Outre l’analyse des contenus eux-mêmes, la prise en compte des commentaires liés aux publications audiovisuelles permet d’en comprendre la réception. Cela permet également de saisir les dynamiques sociales qui se mettent en place sur les plateformes d’échange en ligne. Se focalisant sur des données collectées sur Facebook, cet article montre comment cette méthodologie permet d’approcher un sujet aussi sensible que le conflit israélo-palestinien. Il vise ici spécifiquement à présenter la manière dont la référence au nazisme sert de moyen de délégitimer l’adversaire, qu’il soit pro-palestinien ou pro-israélien. L’auteur observe que les sections de commentaires sur Facebook sont avant tout des espaces d’affirmation de soi et d’échange entre des personnes qui partagent les mêmes opinions. Peu de place est laissée aux échanges intergroupes qui seraient susceptibles de mener au développement d’un dialogue dans l’optique d’une meilleure intercompréhension. Le discours de haine est fréquent et il s’appuie parfois sur des références au nazisme. Au final, l’analyse fine des commentaires permet de délimiter quatre types de stratégies discursives de (dé)légitimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».