La mobilisation du discours scientifique lors de controverses liées à l'acceptabilité sociale des projets à fort impact environnemental : le cas de l'exploitation d'hydrocarbures sur l'île d'Anticosti
Bibliographic record
Abstract
Très souvent, les projets à fort impact environnemental sont fortement contestés par les acteurs sociaux et plusieurs sont abandonnés. Les projets extractifs envisagés sur l’île d’Anticosti ont profondément divisé la population. L’absence de documents institutionnels tels que des rapports d’évaluations d’études d’impacts ou d’audiences publiques a nourri la controverse de son début jusqu’à sa fin (2014-2017). Cela s’est reflété dans l’ensemble des médias. Ainsi, la mobilisation des discours est importante dans les dynamiques d’acceptabilité. C’est dans cette optique que plusieurs activistes ont recours à de multiples stratégies pour faire valoir leur point de vue dans l’espace public. Les médias sociaux s’avèrent être un moyen très efficace afin de mobiliser des discours pour ou contre un projet. C’est dans ce contexte que l’objectif principal de cette recherche est de savoir comment les principaux acteurs opposés aux projets d’exploitation d’hydrocarbures sur l’île d’Anticosti ont mobilisé le discours scientifique dans leurs interventions médiatiques afin d’influencer la décision de mettre fin à ce projet. Nous avons également comme objectif secondaire d’examiner le rôle spécifique des médias sociaux dans la médiatisation des arguments scientifiques, afin de voir en quoi ces canaux facilitent ou pas le déploiement de tels arguments. Pour répondre à ces questionnements, nous avons procédé à une analyse comparative des discours de trois organismes – soit Nature Québec, Équiterre et Greenpeace – en nous attardant sur le contenu de leur site web et de leur fil Twitter. Les résultats révèlent que les principaux éléments qui modulent la mobilisation du discours scientifique par ces groupes environnementaux sont le public cible et la plateforme de diffusion. Des différences importantes entre les groupes étudiés ressortent à cet égard, surtout en ce qui concerne l’usage des sites web, dont le contenu scientifique est plus ou moins vulgarisé, selon les cas. Alors que Twitter s’adresse plus naturellement à un public plus averti, nos résultats font ressortir que, paradoxalement, le contenu y est davantage vulgarisé, tous organismes confondus. Au final, il semble que la mobilisation du discours scientifique a renforcé les liens et les interactions entre les trois organismes et le grand public, favorisant l’organisation de mouvements de masse qui ont contribué à l’abandon de ce projet. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : mobilisation, organisme environnemental, public profane, Twitter, vulgarisation scientifique, projets extractifs, médias socionumériques, expertise
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 | 0.029 | 0.056 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.010 | 0.017 |
| Scholarly communication | 0.018 | 0.008 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.014 | 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".