Le blackfishing : un fléau banalisé par les jeunes femmes sur les plateformes socionumériques
Notice bibliographique
Résumé
Ce mémoire, présenté dans le cadre d’une maîtrise en communication et médias socionumériques à l’Université du Québec à Montréal, vise à explorer le phénomène du blackfishing, une pratique qui consiste pour des femmes d’origines diverses à adopter des traits physiques et culturels associés à la communauté noire sur les réseaux sociaux. Cette recherche qualitative, ancrée dans une posture constructiviste, s’appuie sur des focus groupes composés de femmes Afro-descendantes afin de comprendre leurs perceptions et leurs expériences. La collecte des données s’est faite à travers des entrevues de groupe, suivies d’une analyse thématique inductive pour identifier les thèmes émergents. Les thématiques abordées incluent l’appropriation culturelle, le colorisme, les dynamiques historiques de discriminations raciales, et l’impact des affordances des plateformes numériques. Le mémoire examine également les conséquences sociales et psychologiques du blackfishing sur les communautés noires, notamment en termes de renforcement des stéréotypes et de marginalisation. Les résultats révèlent que le blackfishing perpétue des hiérarchies raciales et est perçu comme une forme insidieuse de racisme, souvent romantisé et marchandisé. Les participantes ont également mis en évidence le rôle des algorithmes et des filtres de beauté dans l’amplification des normes eurocentrées et dans la création de fausses représentations. En conclusion, cette étude appelle à une sensibilisation accrue des utilisateurs des médias sociaux et à une responsabilisation des plateformes. Elle met en lumière la nécessité de valoriser les identités culturelles tout en dénonçant leur exploitation. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : blackfishing, blackface, filtres de beauté, tourisme identitaire, algorithme, réseaux sociaux, discrimination
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».