Saisir les dynamiques du conflit israélo-palestinien par les commentaires de vidéos et d’images sur Facebook
Bibliographic record
Abstract
Sur les médias sociaux, on trouve un nombre très important de publications audiovisuelles. Cela représente un matériau d’analyse considérable qui peut être étudié sous de multiples angles. Outre l’analyse des contenus eux-mêmes, la prise en compte des commentaires liés aux publications audiovisuelles permet d’en comprendre la réception. Cela permet également de saisir les dynamiques sociales qui se mettent en place sur les plateformes d’échange en ligne. Se focalisant sur des données collectées sur Facebook, cet article montre comment cette méthodologie permet d’approcher un sujet aussi sensible que le conflit israélo-palestinien. Il vise ici spécifiquement à présenter la manière dont la référence au nazisme sert de moyen de délégitimer l’adversaire, qu’il soit pro-palestinien ou pro-israélien. L’auteur observe que les sections de commentaires sur Facebook sont avant tout des espaces d’affirmation de soi et d’échange entre des personnes qui partagent les mêmes opinions. Peu de place est laissée aux échanges intergroupes qui seraient susceptibles de mener au développement d’un dialogue dans l’optique d’une meilleure intercompréhension. Le discours de haine est fréquent et il s’appuie parfois sur des références au nazisme. Au final, l’analyse fine des commentaires permet de délimiter quatre types de stratégies discursives de (dé)légitimation.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".