Participation des contre-publics minoritaires et médias socionumérique
Bibliographic record
Abstract
Cet article examine les débats sur l’aide médicale à mourir au Canada tels qu’ils ont pris forme sur Twitter dans la foulée de l’adoption de la loi encadrant la pratique, en juin 2016. Divers groupes se sont farouchement opposés au projet de loi, qu’il s’agisse de groupes religieux, d’experts, de politiciens ou de citoyens, ce qui a mené à une polarisation des débats liée à l’acceptabilité sociale de celui-ci. Notre analyse montre que des groupes minoritaires – généralement peu présents dans l’espace public lors de débats soulevant des enjeux d’acceptabilité sociale tel que les associations de patients, les groupes religieux ou les groupes de femmes – et les « citoyens ordinaires », loin de laisser le débat aux mains des experts et des politiciens, se sont engagés dans les échanges prenant forme sur Twitter, se sentant légitimes d’y prendre part sur la base de considérations morales et éthiques. Globalement, il ressort que Twitter a été utilisé à la fois comme canal d’expression des opinions et comme un moyen de partager de l’information, complémentant, de ce fait, le rôle des médias traditionnels. On peut ainsi avancer que la plateforme a permis ce qu’on associe à une « participation politique ambiante », où ceux qui ont suivi #BillC14 ont été exposés à des informations, des opinions, des idées et des faits qui ont peut-être affecté leur perception de l’acceptabilité sociale de cette loi.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".