Le média socionumérique TikTok: champ de bataille numérique ou catalyseur de désinformation?
Bibliographic record
Abstract
L’ascension fulgurante de TikTok, développé par Bytedance, a attiré l’attention mondiale, soulevant des questions cruciales sur son influence. Face à des préoccupations croissantes, de nombreux gouvernements, dont ceux de la France, de la Belgique, des États-Unis et du Canada, ont restreint l’accès à TikTok sur les appareils officiels, alimentant le débat sur la sécurité des données et les risques de fuite d’informations sensibles. Au-delà des préoccupations de sécurité nationale et de son lien avec la Chine, TikTok inquiète par son impact chez les jeunes utilisateurs, le manque de transparence sur les données récoltées et le fonctionnement de ses algorithmes ainsi que sa modération de contenu et de désinformation. Paradoxalement, malgré ces défis, TikTok demeure une plateforme privilégiée pour le contenu et les campagnes publicitaires de nombreuses entités, y compris celles qui en interdisent l’utilisation à leurs employés. Même le président Joe Biden y a désormais un compte et y fera campagne. Notre intervention explorera ces dynamiques complexes à travers une analyse de données originales. Nous questionnerons la dualité de TikTok, à la fois vecteur potentiel de désinformation et espace de diffusion de contenus informationnels de qualité, particulièrement dans le contexte canadien et québécois du blocage des nouvelles par Meta.
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 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.007 | 0.011 |
| Scholarly communication | 0.030 | 0.021 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 0.006 |
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".