«Partout où il y a des gens qui parlent, il y a des fausses nouvelles» : perceptions des fausses nouvelles chez des Québécois.es d’opinions diversifiées sur la question
Bibliographic record
Abstract
Particulièrement popularisé pendant la campagne électorale américaine de 2016, le concept de fake news ou fausses nouvelles n’est pas nouveau, mais a évolué au cours de la dernière décennie, en concordance avec la numérisation des médias et l’arrivée des plateformes de réseaux sociaux. La notion de fausses nouvelles peut être considérée comme polysémique, alors qu’il n’y a pas de réel consensus quant à sa définition, autant chez les chercheurs.euses que pour le grand public. Pour certains.es, il peut s’agir de faux contenu prenant l’apparence d’une « vraie » nouvelle, et pour d’autres, il serait plutôt question de « mauvais » journalisme. Au Québec, le phénomène est bel et bien présent et inquiète experts.es et journalistes, mais nous en savons encore très peu sur les perceptions des Québécois.es de l’enjeu. À l’aide de l’apport des folk theories ou théories populaires, ce mémoire s’est intéressé aux perceptions de douze Québécois.es d’opinions diversifiées sur la question des fausses nouvelles et de l’écosystème médiatique. À travers trois groupes de discussions, les participants.es ont démontré ne pas avoir de définition à proprement dit du concept, mais repèrent plutôt les fausses nouvelles à l’aide de différents indices ou caractéristiques particulières. Ils.elles ont également fait part de certaines critiques qu’ils.elles entretiennent à l’égard des médias d’information au Québec, démontrant un scepticisme grandissant quant à la qualité et à la véracité du contenu de l’information. Certains.es ont également dit avoir de la difficulté à établir une distinction claire entre les « vraies » des « fausses » nouvelles. Finalement, une majorité d’entre eux.elles sont d’avis que les fausses nouvelles circuleraient non seulement dans les réseaux sociaux, mais également dans les médias d’information.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.006 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".