Mise en visibilité de l’histoire coloniale sur YouTube et jeu des commentaires, entre représentations, émotions et revendications. L’exemple de la série “Roots” mise en extraits sur Youtube
Bibliographic record
Abstract
Les réseaux socionumériques ouvrent des espaces de discussion permettant à des individus et à des groupes sociaux d’exprimer leur position sur des points historiques peu abordés par les médias de presse et donc peu visibles dans le débat public. Ils rendent possible la médiatisation et le débat autour de problèmes sociaux qui n’émergent pas de manière forte dans les médias traditionnels. On peut donc légitimement se demander dans quelle mesure ces réseaux sont susceptibles de jouer un rôle dans la médiatisation de l’histoire coloniale et des responsabilités des États dans le système esclavagiste et colonial et dans la circulation des représentations à propos de l’histoire coloniale. Nous aborderons cette question à travers l’analyse d’extraits de la série Racines publiés sur YouTube et des commentaires générés par leur publication. Notre étude met en évidence des choix éditoriaux centrés sur une rhétorique de la domination et la problématique identitaire, qui favorise l’expression des affects et la contestation, et génère des discours polyphoniques sur la situation postcoloniale.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.010 | 0.006 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".