Loi française contre la manipulation de l’information en période électorale et pratiques professionnelles des journalistes face au phénomène des fake news
Bibliographic record
Abstract
Cet article propose d’analyser les conséquences de la loi contre la manipulation de l’information sur la production journalistique de la presse écrite durant les élections présidentielles de 2022 en France. De quelles manières les pratiques professionnelles ont-elles été affectées par ce nouvel encadrement juridique et quelle en a été la perception des journalistes ? Ces questions ont été explorées dans un questionnaire envoyé aux journalistes de terrain, une observation de leurs activités au travail et lors de dix entretiens avec des responsables de la rédaction de médias de France. L’analyse démontre que cette loi n’a eu à leurs yeux aucun effet sur la pratique du métier et n’a pas contribué à diminuer le nombre ni l’ampleur des fausses nouvelles. Les journalistes estiment que leur expertise est déjà fortement balisée par le droit français et renvoient la responsabilité de la vague de désinformation aux médias socio-numériques. Pour lutter contre la désinformation, c’est à leur impunité qu’il faut s’attaquer, clament-ils, en appelant à de meilleurs programmes d’éducation aux médias. Nous discutons cette perception du phénomène par la profession et questionnons ce que cela implique en termes de permanence de pratiques professionnelles.
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 | 0.010 | 0.043 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".