Étude discursive de la stigmatisation de la maladie mentale : l'expérience des étudiantes et étudiants universitaires québécois
Bibliographic record
Abstract
Depuis le printemps 2019, une campagne de sensibilisation aux enjeux de santé psychologique est déployée sur le campus de l’Université de Montréal. À l’instar de cette campagne, de nombreuses initiatives sont lancées au travers de la province pour enrayer la stigmatisation de la maladie mentale. Ainsi, un nouveau Discours, positif et anti-stigmatisant tente de s’imposer face au Discours stigmatisant ancré dans la société. Par Discours, il faut comprendre un ensemble discursif qui reprend des idéologies et les significations de phénomènes ; celui-ci se matérialise dans les mots et les interactions sociales (discours). On assiste à une mise en tension du sens que l’on donne de la maladie mentale. En s’appuyant sur la théorie de l’étiquetage, ce mémoire a pour objectif de comprendre la tension entre ces deux Discours dans les paroles (le discours) et attitudes des Québécoises et Québécois. La problématique se pose autour des étudiantes et étudiants universitaires du fait de leur tranche d’âge hybride (sortie de l’adolescence et entrée dans l’âge adulte) où la tolérance sociale de la maladie mentale bascule de l’indulgence pour les enfants atteints à une stigmatisation pour les adultes atteints. À cette fin, cette étude a mené des groupes de discussion avec des étudiantes et étudiants d’universités québécoises qui ont vécu une expérience personnelle de la maladie mentale afin de dépeindre leur perception et leur expérience de cette tension discursive dans leurs relations interpersonnelles. Une analyste thématique des transcriptions de ces discussions a été effectuée. Les principaux résultats montrent que pour les participants, il subsiste des traces du Discours stigmatisant dans les paroles des personnes qui les entourent. À des niveaux plus ou moins élevés suivant les personnes de l’entourage, ces traces s’accompagnent d’un éloignement social. Un éloignement qui s’opère en double dynamique et souligne la capacité des personnes souffrant de maladie mentale à interagir dans un nouveau groupe social.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.024 | 0.012 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 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".