YouTube et la cohésion sociale au sein des diasporas africaines Cas des communautés camerounaises et congolaises de Toronto
Bibliographic record
Abstract
Dans cette étude, nous avons évalué la perception de l'influence des réseaux sociaux sur la \ncohésion sociale. Nous nous sommes concentrés sur les communautés virtuelles formées \npar les diasporas congolaises et camerounaises de Toronto, qui se rassemblent autour des \nchaines YouTube d'information politique. Nous avons examiné comment l'utilisation de \ncette plateforme vidéo affecte les interactions, le partage d'informations et les valeurs \nculturelles au sein de ces communautés, ainsi que leur cohésion en tant que groupe social. \nNous avons également examiné l’influence de l'âge, de l’éducation et de la durée de \nrésidence sur l’utilisation de YouTube et la cohésion sociale. Nous avons cherché à \ncomprendre comment les membres des communautés perçoivent les émissions politiques \ndiffusées sur YouTube et leur impact sur la cohésion sociale. \nNos résultats n'ont pas révélé de corrélation entre l'utilisation personnelle de YouTube et \nl'opinion générale sur l'impact des émissions politiques diffusées sur cette plateforme. Nous \navons constaté la complexité de la relation entre les émissions politiques sur YouTube et \nla perception de la cohésion sociale. \nD'après l’opinion des enquêtés, la cohésion sociale est peu liée aux émissions politiques \nsur YouTube. Nous avons également constaté que, pour les communautés diasporiques, \nYouTube remplit trois fonctions : informer, divertir et servir de prolongement de la vie \nculturelle et sociale du pays d'origine. \nEn ce qui concerne l’utilisation de la plateforme, les deux groupes exploitent YouTube \npour maintenir des liens sociaux, se divertir et s'informer. Cependant, ils ne l'utilisent pas \nde manière intensive pour diffuser des messages ou produire du contenu.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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".