Sauver la planète, un burger à la fois : Les stratégies communicationnelles de la viande végétale
Bibliographic record
Abstract
Cet article analyse certaines des stratégies communicationnelles de la viande végétale, une innovation alimentaire promettant une expérience équivalente à celle de la viande animale, mais dépourvue de ses conséquences néfastes pour la santé des humain·e·s, des animaux et de la planète. Mobilisant une approche constitutive de la communication, nous retraçons le narratif fondateur de l’entreprise Beyond Meat à travers divers documents afin de repérer les principales stratégies de communication qui s’y trouvent développées. Notre analyse révèle que Beyond Meat se positionne dans la continuité de la culture de la viande. Minimisant la responsabilité des éleveurs et éleveuses, transformateurs, transformatrices et consommateurs ou consommatrices de viande animale, le fabricant états-unien cible les animaux d’élevage pour leur inefficacité à transformer l’eau et les végétaux en viande, et se propose d’éliminer cet intermédiaire en fabriquant la viande directement à partir des plantes. Recrutant divers collaborateurs et collaboratrices – restaurants, épiceries, et célébrité·e·s – pour normaliser la viande végétale, Beyond Meat interpelle par ailleurs ses consommateurs et consommatrices comme les membres d’un mouvement social dont l’engagement permettrait de sauver la planète, un burger à la fois.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.011 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".