Les voies de la professionnalisation de la communication électorale en ligne
Bibliographic record
Abstract
Adoptant une perspective sociologique, cet article s’intéresse aux différents types d’acteurs impliqués dans la mise en oeuvre de la communication électronique officielle des candidats à l’élection présidentielle française de 2012. D’une part, il examine la diversité des statuts (prestataire, permanent ou stagiaire rémunéré par le candidat, bénévole), des parcours de formation et des profils socioprofessionnels et politiques des faiseurs de la communication électorale en ligne. D’autre part, il cherche à appréhender les types de compétences au titre desquelles ces acteurs sont mobilisés pour intervenir dans la gestion de la communication de la campagne en ligne. L’hétérogénéité qui caractérise ce type de communicateurs conduit alors à interroger les voies de l’accès aux équipes de campagne numérique et, conséquemment, les voix de la professionnalisation de la communication politique. L’examen des profils des acteurs des campagnes électroniques des candidats permet de montrer que même si les connaissances et les compétences en termes de communication et/ou du numérique peuvent intervenir dans le recrutement, l’importance accordée aux compétences et à la légitimité politiques traditionnellement exigées perdure.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".