Bioenergy Discourse: A Comparison Across Media and Technologies
Notice bibliographique
Résumé
This study compares the discourse surrounding bioenergy with carbon capture and storage (BECCS) and sustainable aviation fuel (SAF) across two media: social media and academic literature.Through an automated content analysis of Twitter/X posts (n = 11,314) and peer-reviewed articles (n = 140), we identified significant differences in the prevalence of techno-optimism, techno-skepticism, and engagement with critical issues related to socio-environmental impacts and technological uncertainty for these bioproducts.The findings reveal that social media content is generally more optimistic and less critical of these technologies compared to the academic literature, with a notable lack of discussion on the potential social and environmental consequences.Furthermore, our analysis highlights a greater polarization of views in relation to BECCS, with both techno-optimism and techno-skepticism being more prominent across both media.The study emphasizes the importance of effective science communication, balanced evaluations of risks and benefits, and closer collaboration between academia and businesses to foster a more informed and nuanced discourse on disruptive technologies in the bioeconomy.Our findings also emphasize the need for scholars and businesses operating in the biomaterials and bioproducts industry to adopt a critical approach to media literacy.
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 | 0,007 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,000 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».