Notice bibliographique
Résumé
L'émergence et le développement de la pandémie de la Covid-19 au début de l'année 2020 ont entraîné dans l'espace public et notamment numérique, la diffusion de nombreux faux récits. L’enjeu de cet article est de comprendre les spécificités des contextes culturels qui peuvent influencer les discours anti-vaccins apparus en ligne pendant la pandémie de la Covid-19 en France et en Italie, y compris dans leur profondeur historique. En fondant le travail sur l’analyse textuelle du contenu des récits anti-vaccins, le but de cette étude est d'analyser l'influence des caractéristiques démographiques et culturelles sur la propagation des fausses informations via les médias sociaux. En termes de résultats, sur le plan comparatif, nous constatons que les récits anti-vaccins français se réfèrent principalement à la mobilisation et à l'organisation pratique de la contestation, alors que le corpus italien reflète plutôt le sentiment de méfiance envers les institutions, la science et les vaccins. L’étude fait également le constat que, malgré la disponibilité des mêmes informations scientifiques dans les deux pays, la désinformation qui alimente les récits anti-vaccins est avant tout le résultat d’une construction sociale et culturelle.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».