La controverse de Didier Raoult et de sa proposition thérapeutique contre la COVID-19 sur Twitter : analyse de réseaux et de discours
Bibliographic record
Abstract
Nous proposons de retracer et d’analyser à la fois les réseaux d’acteurs et les discours mobilisés dans la controverse autour de Didier Raoult et de sa proposition thérapeutique contre la COVID-19 sur le réseau Twitter. Pour vérifier la validité de nos hypothèses, nous mettons en œuvre une méthode de recherche sophistiquée et innovante qui consiste à appliquer sur un corpus de 1,2 million de tweets une analyse de réseaux combinée à une analyse lexicométrique. Nos résultats montrent que les pics de production étaient liés à des évènements médiatiques importants. Par ailleurs, un grand nombre de groupes se sont agglomérés autour des comptes de médias et de figures politiques qui ont reçu de nombreuses mentions. Les groupes de supporteurs de Trump et de Bolsonaro se sont connectés avec les pro-Raoult francophones. Les messages des pro-Raoult constituent une critique de l’économie politique du libéralisme et de ses impasses et pas simplement un complotisme antiscience.
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 | 0.025 | 0.060 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.007 | 0.016 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".