Mapping Climate Change Communication: A Social Network and Discourse Analysis Approach
Notice bibliographique
Résumé
Climate change communication increasingly unfolds within digital environments, where social media platforms such as Twitter play a pivotal role in shaping public discourse (Papacharissi, 2015). This study combines Social Network Analysis (SNA) and Discourse Analysis (DA) to explore how climate change is discussed and structured through Twitter interactions. A dataset of tweets mentioning Greta Thunberg and Donald Trump—the two most frequently mentioned figures identified through network centrality measures—was analyzed. Using Gephi software, network properties such as modularity, degree centrality, and graph diameter were evaluated and visualized through the Force Atlas layout. The findings reveal a fragmented but interconnected network structure, with modular clusters aligned with political, activist, and organizational affiliations. Discourse analysis of the tweets highlights contrasting narrative strategies: while Greta Thunberg is framed through language of solidarity, urgency, and mobilization, Donald Trump is predominantly referenced through oppositional and critical discourse. These patterns exemplify the dynamics of connective action in digital environments, where personal engagement drives collective narratives (Bennett & Segerberg, 2012). Overall, the results suggest that Twitter reflects and amplifies emotional and ideological currents within the climate change debate, fostering both polarization and solidarity across different stakeholder communities. This study contributes to understanding the complex interplay between digital communication structures and climate change narratives.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».