#MoiAussi au Québec : une analyse des dénonciations en ligne des femmes sur Instagram
Bibliographic record
Abstract
L’année 2017 a été marquée par le mouvement social #MoiAussi dénonçant les violences à caractère sexuel. Une vague de dénonciations en ligne en a résulté, où de nombreuses personnes partageaient sur les réseaux sociaux leurs expériences en écho avec des situations d’inconduites sexuelles qu’elles auraient subies. Pour ce projet de recherche, je me concentre sur les personnes qui s’identifient comme femmes et qui ont témoigné en ligne. La revue de la littérature explore la construction de sens autour des violences à caractère sexuel, portant sur certaines thématiques: les postures épistémologiques féministes et les savoirs situés, l’espace de la cause des femmes, la dénonciation en ligne ainsi que le contexte québécois du #MoiAussi. La problématique s’inscrit dans une analyse des dénonciations en ligne québécoise, qui explore les perceptions et les expériences des personnes s’identifiant comme femmes en lien avec le mouvement #MoiAussi. La question générale de recherche initiale est la suivante : comment les participantes décrivent-elles leur processus de dénonciation sur Instagram, sept ans après le début du mouvement #MoiAussi? Pour la méthodologie de recherche, l’épistémologie féministe opère comme ancrage, étant donné que l’étude s’inscrit dans une posture épistémologique dite interprétative pour cette recherche de nature qualitative.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.018 | 0.007 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".