Contre-discours et récits alternatifs : l’humour une stratégie discursive efficace pour lutter contre la circulation et les effets des discours haineux en ligne ?
Bibliographic record
Abstract
Quelle différence y a-t-il entre un contre-discours et un discours alternatif? Laquelle de ces stratégies discursives semble la plus efficace pour lutter contre la circulation et les effets négatifs des discours haineux? L’humour peut-il jouer un rôle important dans le développement de ces stratégies? Ce sont là les trois questions principales auxquelles on a cherché à répondre dans la présente étude. En ce sens, ce chapitre présente les résultats d’une recherche ayant mobilisé à la fois les approches qualitatives et quantitatives. La partie qualitative présente les résultats de douze entrevues réalisées auprès de spécialistes des questions de propos haineux issus du milieu de la recherche et de la pratique. Les points de vue exprimés par ces personnes mettent notamment en relief les aspects confondants sur le plan conceptuel des notions de contre-discours et de récit alternatif. Du côté quantitatif, une expérience de visionnement d’une vidéo en ligne réalisée auprès de 80 personnes séparées en deux groupes, un exposé à un contenu humoristique et l’autre à une vidéo « sérieuse », permet d’observer certaines différences statistiquement significatives selon les contenus visionnés. Bien qu’à interpréter avec nuances, les résultats de cette expérience remettent en question l’efficacité de l’humour pour lutter contre les discours de haine. Cette étude permet également d’ouvrir la discussion sur les facteurs de partages de documents de sensibilisation en ligne.
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 | 0.009 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 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".