Perceptions et attentes citoyennes face à la communication municipale sur les médias sociaux: le cas du Québec
Bibliographic record
Abstract
La recherche a déjà largement montré le potentiel des médias sociaux lorsqu’il s’agit de diffuser des informations gouvernementales et d’accroître l’engagement citoyen. Toutefois, exploiter pleinement ce potentiel reste difficile, en particulier pour les organisations publiques. Le but de cette étude est de mieux comprendre les attentes exprimées par les citoyens à l’égard des pratiques de communication municipale sur les médias sociaux. Pour ce faire, nous avons lancé, en collaboration avec 19 administrations municipales québécoises (7 grandes villes et 12 arrondissements montréalais), un questionnaire en ligne permettant de mesurer les attentes citoyennes. Ce sondage, diffusé sur les médias sociaux des partenaires, nous a permis de collecter des données inédites auprès de 2012 répondants. Il vise à cerner leurs attentes au regard des grands axes de l’engagement citoyen tels que présentés dans la littérature scientifique : tonalité des publications, nombre de réactions, support et format utilisés, etc. Les résultats descriptifs de cette étude confirment qu’une large majorité des citoyens sondés souhaitent que leur administration municipale soit présente sur les médias sociaux, surtout sur Facebook et Instagram. Toutefois, les préférences varient selon l’âge et le genre. Les jeunes adultes et les femmes sont plus sensibles aux contenus visuels, positifs et engageants, tandis que les plus âgés attendent davantage de réactivité. L’information officielle et les évènements suscitent le plus d’intérêt, alors que la vie démocratique et les campagnes de prévention mobilisent assez peu. La forme et le ton des publications influencent modérément l’engagement.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".