Émotions et argumentaires dans les enjeux territoriaux controversés
Bibliographic record
Abstract
À travers trois cas territoriaux canadiens, nous explorons les émotions mobilisées dans l’espace public afin de montrer comment cette mobilisation est indissociable des arguments invoqués par les acteurs en réaction à des décisions controversées. Les cas du déversement des eaux usées dans le fleuve Saint-Laurent (le « Flushgate ») à Montréal, au Québec, en 2015, de l’embouteillage d’eau par l’usine Nestlé en Ontario et de la controverse autour de la station de ski Jumbo en Colombie-Britannique offrent de bons terrains pour explorer la place et la cible des émotions dans les argumentaires des parties prenantes. Un total de 310 articles de quotidiens canadiens-français et anglais publiés entre 2004 et 2017 ont été examinés par le biais d’une analyse textuelle thématique inductive. Quatre émotions émergent parmi les trois cas : la colère, la joie, la peur et la tristesse. L’analyse transversale montre que si ces émotions sont suscitées en réaction aux décisions controversées, c’est à travers leurs cibles et nuances qu’il est possible de mieux comprendre leur pouvoir dans la sphère publique. Cela nous permet de tirer certaines conclusions concernant le pouvoir des émotions dans les argumentaires des parties prenantes, la nécessaire prise en compte de la densité émotionnelle, l’importance de dépasser la fonction rationnelle classiquement rattachée à l’étude des émotions, ainsi que la pertinence de l’espace médiatique comme source de données.
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 | 0.009 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.018 | 0.032 |
| Scholarly communication | 0.016 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".