Bibliographic record
Abstract
Cet article examine les objectifs stratégiques assignés aux campagnes électorales en ligne dans le discours de membres des équipes de campagne de l’élection présidentielle française et de l’élection générale québécoise (toutes deux en 2012). L’analyse est menée à partir de 37 entretiens semi-directifs réalisés avec différents types de personnels de campagne au Québec et en France. En mobilisant le concept d’hybridité des campagnes électorales, les objectifs stratégiques de campagne tels qu’ils ressortent des entretiens sont divisés en trois catégories : objectifs de diffusion de contenus ; objectifs politiques et de mobilisation ; objectifs de marketing et d’animation de communautés. L’analyse indique que les objectifs de diffusion de contenus liés à la dissémination et au contrôle des messages sont les plus souvent mentionnés. Également, des différences contextuelles apparaissent. D’abord, le Québec est la démocratie où les discours sur la diffusion de contenus, et dans une moindre mesure le marketing et l’animation, sont les plus dominants, tandis que les objectifs politiques et de mobilisation sont plus souvent évoqués en France. Ensuite, il ressort que les stratèges de gauche sont plus enclins à insister sur les objectifs politiques et de mobilisation, alors que les stratèges de droite sont plus axés sur la diffusion de contenus. Troisièmement, le discours des équipes des candidats et partis au pouvoir se distingue par une attention accrue à la diffusion de contenus, notamment au contrôle du message, contrairement à celui des opposants. L’étude conclut que tous les partis ont mené des campagnes hybrides au sein desquelles le numérique est une composante centrale. Elle rappelle également qu’il convient de prendre en compte les facteurs institutionnels afin de mieux comprendre les différences en termes de campagnes en ligne d’une démocratie à l’autre.
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 | 0.011 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.018 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".