Injustice épistémique et démocratie délibérative à l’ère du numérique : l’envers du mouvement #BalanceTaStartUp
Bibliographic record
Abstract
Cet article examine l’envers du mouvement en ligne #BalanceTaStartUp, un équivalent du « #MeToo Au Travail », afin de réfléchir à la mise à jour de l’idéal de démocratie délibérative d’Habermas dans le contexte numérique, particulièrement face à l’injustice épistémique. Cette dernière se manifeste lorsque les connaissances des personnes sont dévalorisées en raison de préjugés liés à leur identité ou à leur statut social.À travers une étude netnographique, j’explore comment le mouvement #BalanceTaStartUp révèle les conditions de travail abusives dans les startups françaises, et comment ces dynamiques minent l’idéal habermassien de démocratie délibérative. Je souligne que l’anonymat, bien qu’il permette aux victimes de partager leurs expériences, devient une arme pour les personnes détractrices en ligne qui cherchent à discréditer ces témoignages. Cette situation empêche la formation d’un dialogue constructif et inclusif, pourtant crucial pour opérer un changement organisationnel conséquent dans l’univers des startups.Les plateformes numériques, guidées par des logiques algorithmiques et capitalistes, exacerbent ces injustices en favorisant le contenu sensationnaliste plutôt que la délibération. En m’appuyant sur la critique d’Habermas émise par Fraser, j’appelle à une réévaluation de la démocratie délibérative pour prendre en compte la réalité du monde numérique, en proposant des pistes de solution pour contrer l’injustice épistémique et promouvoir des voix diverses dans des mouvements en ligne tels que #BalanceTaStartUp.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.014 | 0.039 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.003 | 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".