L’influence sociale sur Instagram : l’influence contrôlée des usagères et usagers ordinaires
Bibliographic record
Abstract
Ce mémoire porte sur la réception de l’influence sociale des influenceuses et influenceurs sur Instagram. Au Québec, il y aurait plus de 1600 influenceuses et influenceurs qui œuvrent sur les réseaux sociaux numériques, et ce, dans plusieurs domaines tels que la mode, le sport, l’art, etc. Plusieurs travaux en communication étudient ce phénomène du Web en regard de leur apport marketing ou encore en se basant sur le point de vue des influenceuses et influenceurs, c’est-à-dire des émettrices et émetteurs. Mobilisant les théories de la réception en communication, je propose plutôt ici de m’interroger sur la réception des contenus de ces personnes influentes auprès des gens ordinaires sur Instagram, que je qualifie d’usagères et d’usagers ordinaires. Pour ce faire, j’ai réalisé 11 entrevues semi-dirigées auprès de jeunes adultes âgés entre 18 et 25 ans où je leur ai posé diverses questions sur leur usage de la plateforme, leur relation avec les influenceuses et influenceurs, ainsi que la façon dont illes pensent être influencées par contenu qu’ils et elles produisent. C’est à la lumière de ces entretiens que j’ai identifié différents types d’influence sociale sur la plateforme Instagram. L’influence sociale sur Instagram est donc composée de deux autres types d’influence soit l’influence contrôlée et l’influence non perçue, qui elles-mêmes se déclinent en influence marketing et non marketing. C’est cependant ce que j’appelle « l’influence contrôlée » qui est davantage ressortie du discours des personnes interviewées, c’est-à-dire l’influence qu’elles savent « recevoir » et qui leur permet de choisir si elle les atteint ou non. L’influence contrôlée illustre donc ce à quoi réfère Breton et Proulx (2006) comme une « dialectique de pouvoirs » et qui est bien présent, sur Instagram entre les influenceuses et influenceurs et leurs abonnées et abonnés.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.006 | 0.004 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 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; both teacher heads agree on what is shown here.
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".