Disinformation and Russia-Ukrainian War on Canadian Social Media
Notice bibliographique
Résumé
The Russia-Ukrainian war has led to a large disinformation campaign, largely spread through social media. Canada has been a target of these influence campaigns to affect Canadian public opinions. In this policy brief, we venture to examine the prevalence of pro-Russian narratives on Canadian social media as well as identify major influencers creating and spreading such narratives. Additionally, using artificial intelligence, we seek to examine the reach and nature of pro-Russian disinformation narratives. Our research team has been collecting more than 6.2 million Tweets globally since January 2022 to monitor and measure Russian influence operations on social media. We find that pro-Russian narratives promoted in the Canadian social media ecosystem on twitter are divided into two large communities:1) accounts influenced by sources from the United States and 2) those largely influenced by sources from international sources from Russia, Europe, and China. First, pro-Russian discourse on Canadian Twitter blames NATO for the conflict suggesting that Russia’s invasion was a result of NATO’s expansionism or aggressive intentions toward Russia. In this context, pro-Russian propaganda argues that the West has no moral high ground to condemn the invasion and nations such as Canada, the US, and the UK are trying to force Europe into this conflict to benefit materially. Second, it is suggested that Western nations are propping up fascists in Ukraine, thus justifying Russia’s actions. Thirdly, pro-Russian narrative attempts to amplify mistrust of democratic institutions, be it the media, international institutions, or the Liberal government. Faced with the challenges associated with foreign interference, it is important to gain a deeper understanding of the spread of disinformation in Canada.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».