Quelle communication numérique autour du changement climatique ? Analyse de contenus vulgarisés sur YouTube et proposition d’application à la recherche en géographie
Bibliographic record
Abstract
Le changement climatique et ses effets représentent aujourd’hui un enjeu majeur, et les discours liés à cette question ne sont désormais plus exclusifs à la sphère scientifique. Une prise de conscience générale de cette problématique induit donc des transferts de connaissances au travers d’une communication scientifique, qui passe aujourd’hui par de nouveaux outils et de nouveaux acteurs.Cette recherche fait état des caractéristiques des discours climatiques numériques, par deux approches : à la fois par la géographie et par la communication scientifique. Au travers d’une synthèse bibliographique, elle fait tout d’abord état des constats sur le climat récent, en partant des propos du GIEC pour décrire plus spécifiquement le cas de la région boréale canadienne.Réalisée par ailleurs dans le cadre d’un stage de communication scientifique lui-même effectué au département de géographie de l’Université de Montréal, la présente étude s’intègre au projet de recherche « Cycle du carbone dans les forêts boréales de l’est du Québec dans un contexte de changement climatique », porté par ce département.Elle aborde ensuite l’évolution du Web et de la culture participative, qui a permis l’apparition de nouvelles formes de communication scientifique, incarnées par les médiateursvulgarisateurs sur YouTube, également nommés pro-am. Leur succès depuis quelques années témoigne d’un intérêt certain des publics pour cette forme de communication. Dans un troisième temps, ce mémoire propose une étude sémio-pragmatique des discours des pro-am autour du changement climatique. Le fond, la forme et le contexte d’émission de ces discours sont donc analysés de façon automatisée et manuelle. Il ressort ainsi que les pro-am présentent certaines pratiques communes à la sphère scientifique (citation de sources, nuances des propos, liens directs avec les experts, etc.), permettant d’assurer la rigueur de leurs contenus.Propres aux vidéastes, d’autres aspects fluidifient largement la médiation, tels que l’esthétique et la créativité, l’humour, l’horizontalisation des savoirs, les processus de validation des contenus entre experts, pro-am et internautes. Toutefois, les analyses révèlent certaines lacunes et imprécisions dans les vidéos des pro-am, portant notamment sur des régions, processus et enjeux spécifiques, tels que ceux liés aux peuples autochtones, à la forêt boréale et au cycle du carbone.Finalement, certains de ces éléments pourront être appliqués aux cas de la recherche en géographie et du stage, en s’inspirant des points forts des pro-am, en complétant et en affinant ceux jugés encore imprécis.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".