De la rue à lâEtat : déterminants de lâimpact dâun mouvement social sur lâaction politique. Analyse de cas : le Printemps érable
Bibliographic record
Abstract
Comment un mouvement social né dans un contexte politique particulièrement fermé à son influence sur lâaction politique peut-il gagner? Cette question obsède les protagonistes des mouvements sociaux, et interpelle de nombreux·ses chercheur·euse·s en sociologie ou sciences politiques. De nombreux facteurs favorisant ou défavorisant la capacité dâune organisation du mouvement social à exercer une influence significative sur lâaction politique et aboutir ainsi à des impacts sur les politiques publiques ont été mis à jour par la littérature depuis les années 1970. Mais les dernières théories de la médiation politique conditionnent fréquemment la survenance dâun impact à lâexistence dâun contexte partisan favorable. Pour autant, certains mouvements sociaux récents, dont le Printemps érable, un mouvement étudiant né au Québec et devenu en 2012 le mouvement social le plus important de lâhistoire de la province canadienne, ont pu trouver le chemin leur permettant dâavoir un impact significatif sur lâaction publique, malgré une fermeture initiale des structures d'opportunité politiques. Prenant appui sur le Printemps érable, ce mémoire se propose dâétudier les conditions nécessaires et les déterminants de lâimpact dâun mouvement social né dans un contexte politique défavorable. Il tente dâassocier la prise en compte des structures dâopportunité politique, lâanalyse organisationnelle et stratégique du mouvement, et leur médiation au travers de lâévolution des préférences publiques. A lâheure où la globalisation et le néolibéralisme sâaccompagnent dâune forte résurgence des mouvements sociaux, la pertinence de lâanalyse des impacts politiques des engagements extra-partisans reste dâune acuité profonde pour les politologues, et les citoyen·ne·s.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.023 | 0.002 |
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".