La fabrique d’un héros déchu. Le Dr Arruda dans les médias québécois pendant la COVID-19
Bibliographic record
Abstract
Objectifs : Cette recherche s’intéresse au processus d’héroïsation lors d’épidémies. Elle analyse l’évolution de la représentation médiatique du Dr Arruda, ancien directeur national de santé publique au Québec, pendant la pandémie de la COVID-19, afin d’identifier le type de porte-parole valorisé et dévalorisé à différents moments de l’éclosion. Méthode : Nous avons analysé 728 articles publiés par cinq médias québécois : Le Devoir , La Presse , Le Journal de Québec , Le Journal de Montréal et le quotidien 24 heures . Les données ont été soumises à une analyse de la rhétorique des cadres, qui a identifié 14 arguments d’héroïsation et 14 autres de dénigrement du Dr Arruda, prenant forme dans quatre logiques argumentatives. Résultats : Le Dr Arruda a été transformé en héros déchu dans un processus constitué de cinq étapes : 1) l’héroïsation ; 2) la mise en doute ; 3) le cumul de critiques ; 4) les petites rédemptions ; et 5) la confirmation du statut de héros déchu. L’analyse illustre le parcours sinusoïdal lors duquel le Dr Arruda a été héroïsé et dénigré à plusieurs reprises. Elle montre aussi comment les mêmes arguments sont utilisés en début d’épidémie pour héroïser le Dr Arruda, puis, plus tard, pour le critiquer. Conclusion : Cette recherche montre que les porte-parole exposés médiatiquement doivent s’adapter à l’évolution des besoins du public en matière de héros. Elle montre aussi la difficulté médiatique à occuper un poste de directeur de santé publique en cas de crise sanitaire. Enfin, elle permet de tirer quelques enseignements sur la gestion de la communication en temps d’épidémie.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.016 | 0.020 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".