La lutte contre les contenus haineux sur les plateformes de médias sociaux : une analyse comparative d’approches de régulation
Bibliographic record
Abstract
Ce document est l’aboutissement d’un mandat de stage realise a la Direction generale de la radiodiffusion, du droit d’auteur et du marche creatif (RDAMC), au sein du ministere du Patrimoine canadien, qui a pour mandat d’appuyer la culture, les arts, le patrimoine, les langues officielles, la participation citoyenne ainsi que les initiatives liees aux langues et a la culture autochtones, a la jeunesse et aux sports. Le mandat confie a l’etudiant comportait plusieurs volets se traduisant en livrables concrets. L’activite de recherche internationale sur les thematiques traitees au sein des differentes directions de la RDAMC a permis a la fois de nourrir la veille strategique et de construire une base d’information qui servira de puits pour l’equipe interne. Ce rapport de stage traite d’une problematique au coeur du mandat du ministre du Patrimoine canadien, a savoir la reglementation des plateformes de mediaux sociaux dans le but de lutter contre les prejudices en ligne, ou les discours haineux, qui ont connu une recrudescence explosive tant sur la scene nationale que sur la scene internationale, particulierement depuis le debut de la pandemie de la COVID-19. Notre activite de recherche s’appuie sur l’analyse comparative de deux modeles de regulation pour en degager les principales retombees. Nous avons egalement formule des hypotheses de recherche afin de verifier dans quelle mesure chaque approche repond a ces hypotheses.
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 | 0.012 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.014 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".