Communiquer l’action en changements climatiques au Québec
Bibliographic record
Abstract
Diverses études ont mis en évidence l’importance des actions de communication en matière de changements climatiques pour favoriser l’adoption de comportements préventifs et adaptatifs au sein de la population. L’optimisation de l’efficacité de ces actions passe par une connaissance approfondie du public-cible. C’est ce à quoi sont vouées les études de segmentation, qui permettent d’identifier, parmi l’auditoire, des groupes qui partagent des caractéristiques communes, et de déterminer les meilleures stratégies pour les rejoindre. Il est par ailleurs reconnu que le cadrage de l’information médiatique, notamment en fonction du ton, du thème et du format, influence la manière dont les récepteurs y réagissent sur les plans attitudinal et comportemental. Dans le contexte de la création de Unpointcinq, le premier média web canadien-français voué à promouvoir l’action dans la lutte contre les changements climatiques au Québec, nous avons mené une étude de segmentation par questionnaire auprès d’un échantillon représentatif de 1280 Québécois francophones. Nous avons notamment sondé leur intérêt envers divers thèmes, types d’initiatives (ex. : individuelles, communautaires, gouvernementales) et types de cadres informationnels (ex. : économie, santé) susceptibles d’être couverts par Unpointcinq. Les analyses ont permis d’identifier trois segments qui se différencient principalement en regard de la pertinence perçue du média web et de l’intention de le consulter. La modélisation basée sur une analyse de régression logistique met en exergue les sept principales variables prédictives de l’intérêt global pour le média web chez le segment le plus intéressé.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".