« Je suis pas mal dans l’inconnu, ça fait peur des fois ».Compétences informationnelles et gestion de la désinformation climatique : entre vigilance critique et retenue numérique
Bibliographic record
Abstract
Cet article examine comment des étudiants postsecondaires francophones perçoivent et mobilisent leurs compétences informationnelles face à la désinformation climatique sur les réseaux sociaux. S’inscrivant dans une approche sociocognitiviste et une conceptualisation métalittéracique des compétences informationnelles, l’étude repose sur une analyse qualitative de 17 entrevues semi-dirigées menées en 2023 auprès de jeunes adultes universitaires du Canada Atlantique. Les résultats montrent que les participants adoptent un regard ambivalent envers les réseaux sociaux, reconnus à la fois comme vecteurs d’information et de désinformation. S’ils déclarent maitriser plusieurs compétences critiques (distinction faits/opinions, recherche de pluralisme, autoévaluation), leur mobilisation concrète reste souvent limitée. Cette retenue s’explique en partie par la peur de se tromper ou de laisser une empreinte numérique. Peu sont les étudiants qui interviennent activement face à de la désinformation. Malgré cela, ils montrent sensibles aux enjeux climatiques et expriment des attentes claires envers leur formation universitaire — jugée, mais perfectible — ainsi qu’envers les plateformes numériques, qu’ils souhaitent plus responsables. L’étude met en lumière l’écart entre compétences déclarées et pratiques réelles, et souligne l’importance de renforcer les compétences informationnelles par des approches éducatives intégrées, transversales et contextualisées.
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 | 0.008 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.019 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".