Humour et vivre ensemble : stéréotypes identitaires au sein des groupes minoritaire et majoritaire québécois
Bibliographic record
Abstract
La présente étude aborde l’humour comme un véritable outil de reconnaissance identitaire, lequel, bien qu’ayant des effets ambivalents, contribue à déterminer la perception et la compréhension des différents particularismes sociétaux. Par ailleurs, la relation entre l’humour et les enjeux entourant le vivre ensemble a été peu abordée en science politique. En ce sens, le principal objectif de la présente recherche vise à observer comment les humoristes québécois traitent des questions entourant la diversité ethnique, culturelle et religieuse. À travers une analyse de contenu qualitative et quantitative, la recherche compte répondre à trois questions spécifiques. La première vise à identifier les différentes communautés dont il est question au sein des numéros analysés. La seconde a pour but de souligner les principaux stéréotypes entretenus par les humoristes à l’égard des différentes communautés ciblées. Enfin, la troisième question vient mettre en lumière comment, entre groupe majoritaire et groupe minoritaire, on parle de ces communautés. Afin de mener à terme cette recherche, on a procédé à l’analyse de 76 vidéos humoristiques répertoriées sur YouTube, réalisées entre 2006 et 2018 au Québec et traitant de diversité ethnique, culturelle et religieuse. On constate que les Arabo-musulmans s’avèrent la principale cible des humoristes durant cette période. Le stéréotype liant islam et terrorisme demeure également souligné de façon récurrente. Il semble enfin que la communauté arabo-musulmane représente une cible de choix pour une majorité d’humoristes, qu’ils proviennent du groupe majoritaire ou du groupe minoritaire.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.006 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".