Médias socionumériques et pratiques de traçage : comment les algorithmes peuvent influencer la diète informationnelle des usagers
Bibliographic record
Abstract
Traditionnellement, les médias de masse, tels que les journaux et les chaînes de télévision, étaient les seuls à pouvoir diffuser de l'information à grande échelle dans la population. Au Québec, la plupart des médias adhèrent à des codes éthiques et sont encadrés par la Fédération professionnelle des journalistes du Québec (FPJQ) et le Conseil de presse du Québec. Cela aide à assurer la qualité et l'exactitude de l'information diffusée. Cependant, l'avènement d'Internet a changé la donne. Les plateformes sociales comme Facebook ont offert aux médias alternatifs la possibilité d'atteindre une nouvelle audience, tout en créant une nouvelle dynamique d'espace public de discussions et d'échanges. Bien que cela puisse être bénéfique pour le partage d'information et les interactions sociales, il y a également des risques associés à la diffusion de fausses informations. Les médias alternatifs ne sont pas soumis aux mêmes normes de qualité et de vérification que les médias traditionnels, ce qui peut compromettre l'intégrité de l'information diffusée. Certains d’entre eux partagent également de la désinformation et des théories du complot à leurs audiences. De plus, les algorithmes de recommandation de contenu de Facebook peuvent favoriser la diffusion de contenus sensationnalistes, controversés ou trompeurs, dans le fil d’actualité de ses utilisateurs, au détriment de contenus plus fiables. Il est important que les utilisateurs soient conscients de ces enjeux lorsqu'ils naviguent sur les réseaux sociaux. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : désinformation, fausses nouvelles, Facebook, circulation, médias
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 | 0.020 | 0.125 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.004 |
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".