Le blackfishing : un fléau banalisé par les jeunes femmes sur les plateformes socionumériques
Bibliographic record
Abstract
Ce mémoire, présenté dans le cadre d’une maîtrise en communication et médias socionumériques à l’Université du Québec à Montréal, vise à explorer le phénomène du blackfishing, une pratique qui consiste pour des femmes d’origines diverses à adopter des traits physiques et culturels associés à la communauté noire sur les réseaux sociaux. Cette recherche qualitative, ancrée dans une posture constructiviste, s’appuie sur des focus groupes composés de femmes Afro-descendantes afin de comprendre leurs perceptions et leurs expériences. La collecte des données s’est faite à travers des entrevues de groupe, suivies d’une analyse thématique inductive pour identifier les thèmes émergents. Les thématiques abordées incluent l’appropriation culturelle, le colorisme, les dynamiques historiques de discriminations raciales, et l’impact des affordances des plateformes numériques. Le mémoire examine également les conséquences sociales et psychologiques du blackfishing sur les communautés noires, notamment en termes de renforcement des stéréotypes et de marginalisation. Les résultats révèlent que le blackfishing perpétue des hiérarchies raciales et est perçu comme une forme insidieuse de racisme, souvent romantisé et marchandisé. Les participantes ont également mis en évidence le rôle des algorithmes et des filtres de beauté dans l’amplification des normes eurocentrées et dans la création de fausses représentations. En conclusion, cette étude appelle à une sensibilisation accrue des utilisateurs des médias sociaux et à une responsabilisation des plateformes. Elle met en lumière la nécessité de valoriser les identités culturelles tout en dénonçant leur exploitation. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : blackfishing, blackface, filtres de beauté, tourisme identitaire, algorithme, réseaux sociaux, discrimination
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".