Les plateformes numériques comme nouvelles arènes de contestation ? Dissensus et résurgence de l’injustice épistémique dans #BalanceTaStartUp
Bibliographic record
Abstract
Le mouvement #BalanceTaStartUp, qui s’apparente à un « MeToo au travail », a permis depuis 2021 d’exposer anonymement les abus de pouvoir et les discriminations du monde des entreprises en démarrage en France (les startups). Cependant, malgré son objectif de responsabilisation des victimes et d’éducation au droit, le mouvement est plombé par des interactions en ligne négatives qui révèlent des dynamiques d’injustice épistémique. Les commentaires acerbes de certains utilisateurs et utilisatrices, assimilant le mouvement à un tribunal public, discréditent les témoignages publiés et créent une atmosphère de rejet, obligeant les travailleurs et les travailleuses à s’engager bénévolement dans la modération des contenus.En analysant spécifiquement les dynamiques d’interaction dans les commentaires au sein de #BalanceTaStartUp, l’article met en évidence la perturbation constante causée par la résurgence de l’injustice épistémique au sein des plateformes numériques publicitaires. Il souligne également la façon dont les internautes réactionnaires emploient des stratégies de dévalorisation pour contrer les mouvements progressistes, enfermant ainsi les travailleurs et les travailleuses dans des processus humiliants qui invalident leurs voix et leurs connaissances.
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 | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.009 | 0.054 |
| Scholarly communication | 0.017 | 0.016 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| 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".