Résilience d’un quartier populaire : enjeux d’un community management territorial
Bibliographic record
Abstract
Dans cet article, nous interrogeons la conception de l’animation d’une page Facebook sur le thème de la consommation responsable dans un quartier populaire. Nous observons l’influence du community management, tel qu’il est recommandé aujourd’hui, sur de supposés processus d’appropriation par les habitants et nous cherchons à comprendre les enjeux communicationnels de la diffusion des politiques de community management à ces habitants. Les diverses sessions de coconstruction du community management de cette page Facebook en tant que dispositif communicationnel expérimental ont été enregistrées et retranscrites. Les méthodes d’analyse de discours ont été renforcées par l’utilisation du logiciel Iramuteq. Nous obtenons alors des profils de discours spécifiques qui comportent des isotopies sémantiques : elles révèlent la nécessité d’un ancrage territorial incarné d’avoir recours aux théories de l’accompagnement des changements, d’intégrer l’animation dans un système complexe innovant et de ne pas oublier les publics qui ne sont pas encore sensibilisés aux écocomportements. Ces évaluations permettent d’imaginer comment prendre en compte les enjeux du community management dans ce contexte spécifique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".