Guerre en Ukraine : évolution et adaptation des discours médiatiques en Chine
Bibliographic record
Abstract
Dès le début du conflit, les discours sur la guerre en Ukraine sont devenus une arène politique pour la diplomatie chinoise et pour le pouvoir discursif de Pékin dans le monde. En élaborant son discours officiel sur le conflit, Pékin a dû calibrer ses communications en fonction de différents facteurs externes et internes, et mobiliser les différentes stratégies pour les promouvoir. Certes lié à la Russie après de nombreuses années de rapprochement économique et politique avec Moscou, le gouvernement chinois se devait de définir une position. Comment le discours chinois a-t-il cherché à préserver son partenaire russe, sachant qu’il n’y a pas d’alliance formelle entre Moscou et Pékin et que les relations économiques entre la Chine et les Occidentaux sont plus fortes qu’avec la Russie ? Cet article analyse l’évolution de discours médiatique chinois en réalisant une étude qualitative des publications de deux journaux chinois, le Huanqiu Shibao et le Caixin Zhoukan, ainsi qu’en analysant les publications des internautes et des experts chinois sur le site de microblogage Weibo. L’analyse, basée sur une approche qualitative, permet de souligner l’évolution notable du discours officiel chinois sur la guerre en Ukraine depuis le début de l’invasion russe. Cette évolution reflète à la fois la détermination de Pékin de préserver sa neutralité afin de réduire l’impact de la crise sur ses propres ambitions géopolitiques et ses perspectives économiques, et le changement du contexte international entourant la guerre suite à son escalade dans l’espace et dans le temps.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| 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".