Partenariat rémunéré entre une entreprise et une influenceuse sur les réseaux sociaux : entrecroisement des voix des femmes autour de l’alimentation des nourrissons
Bibliographic record
Abstract
Les réseaux socionumériques (RS) ont transformé le rapport des femmes enceintes et nouvellement mères à l’alimentation des nourrissons. Ces dernières investissent ces plateformes (Facebook, Instagram, Twitter) pour obtenir et échanger de l’information ou du soutien, partager leurs expériences et s’engager socialement, notamment sur l’alimentation des nourrissons (allaitement et préparation). Les RS peuvent ainsi s’appréhender comme les dépositaires de voix diverses, qui s’expriment de multiples façons (textes, images, vidéos), aux intensités variables. Notre analyse des voix porte sur les réactions des utilisatrices sur Facebook et Instagram (740 commentaires) à la suite de la publication d’un billet de blogue rédigé par une influenceuse québécoise en partenariat avec une entreprise qui commercialise des préparations pour nourrissons. Dans un contexte où l’allaitement est recommandé par les autorités de santé publique québécoises, comment ce type de partenariat est-il accueilli? Quelles sont les voix qui émergent? Comment les voix de ces femmes s’entrecroisent-elles, se répondent/s’opposent/s’unissent-elles? De notre corpus émergent trois types de voix, celles du « mécontentement ou de la contestation », de « l’expérience » et de l’ « approbation ». En conclusion, nous suggérons que les voix des femmes, indépendamment de la méthode d’alimentation pour nourrisson utilisée, devraient être entendues et faire l’objet d’une plus grande attention de la part des autorités de santé publique de façon à protéger leur bien-être physique et émotionnel.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".