La confiance en tant que procédé heuristique dans l'évaluation de fausses nouvelles politiques et de narratifs conspirationnistes
Bibliographic record
Abstract
L’arrivée retentissante dans les nouvelles quotidiennes des « faits alternatifs », « fake news » et autres outils discursifs visant à relativiser la réalité a bousculé les normes journalistiques et politiques. Certains auteurs parlent même d’une nouvelle ère post-vérité (Lewandowsky et al., 2017). Symptômes de ce changement, les théories du complot, en plus de faire partie de la culture populaire, sont désormais rapportées par certains médias traditionnels au même titre que des faits (Pilkington, 2017). À l’aide de données de sondage colligées en 2019, nous examinons la place qu’occupe la confiance politique dans l’évaluation de fausses informations au Québec – plus spécifiquement, le fait de trouver plus ou moins plausibles une fausse nouvelle à caractère politique ainsi qu’un narratif conspirationniste concernant la santé (le virus du zika). Nous examinons également le rôle de différents facteurs dans l’évaluation des narratifs tels que : les croyances épistémiques (se fier aux faits, se fier à son intuition, avoir une vision manichéenne de la politique), le rôle de l’identité partisane, ainsi que le fait de s’informer auprès de médias en ligne non traditionnels. Nos résultats montrent que l’influence de la confiance se fait sentir de manière directe dans l’évaluation du narratif conspirationniste mais pas de la fausse nouvelle. L’évaluation de celle-ci est plutôt liée au fait de s’informer auprès de médias en ligne non traditionnels alors que ce n’est pas le cas pour le narratif conspirationniste. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : théorie du complot, fausse nouvelle, confiance politique, heuristique, croyances épistémiques, médias en ligne non traditionnels
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 | 0.019 | 0.056 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".