Contre-discours et récits alternatifs : l’humour une stratégie discursive efficace pour lutter contre la circulation et les effets des discours haineux en ligne ?
Notice bibliographique
Résumé
Quelle différence y a-t-il entre un contre-discours et un discours alternatif? Laquelle de ces stratégies discursives semble la plus efficace pour lutter contre la circulation et les effets négatifs des discours haineux? L’humour peut-il jouer un rôle important dans le développement de ces stratégies? Ce sont là les trois questions principales auxquelles on a cherché à répondre dans la présente étude. En ce sens, ce chapitre présente les résultats d’une recherche ayant mobilisé à la fois les approches qualitatives et quantitatives. La partie qualitative présente les résultats de douze entrevues réalisées auprès de spécialistes des questions de propos haineux issus du milieu de la recherche et de la pratique. Les points de vue exprimés par ces personnes mettent notamment en relief les aspects confondants sur le plan conceptuel des notions de contre-discours et de récit alternatif. Du côté quantitatif, une expérience de visionnement d’une vidéo en ligne réalisée auprès de 80 personnes séparées en deux groupes, un exposé à un contenu humoristique et l’autre à une vidéo « sérieuse », permet d’observer certaines différences statistiquement significatives selon les contenus visionnés. Bien qu’à interpréter avec nuances, les résultats de cette expérience remettent en question l’efficacité de l’humour pour lutter contre les discours de haine. Cette étude permet également d’ouvrir la discussion sur les facteurs de partages de documents de sensibilisation en ligne.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».