Les diffuseurs de « vérité » : comprendre le rôle des micro-célébrités et de Twitter dans la production et la mise en visibilité des récits anti-mesures sanitaires au Québec sur Internet
Bibliographic record
Abstract
Des recherches ont montré comment les mouvements sociaux tirent parti des capacités techniques offertes par les plateformes numériques pour attirer l'attention sur leurs causes et mobiliser des partisans. Pendant la pandémie de COVID-19, le même phénomène a été observé chez certains softleaders s’opposant aux mesures sanitaires qui ont utilisé ces mêmes plateformes pour promouvoir leurs points de vue et leurs croyances. Cependant, elles ne sont pas neutres et tiennent un rôle dans l’aboutissement de tels objectifs. C’est ce que ce mémoire s’efforce de mettre en lumière. Dans le cadre de cette recherche, l’échange de propriétés entre des actants humains, et non-humains, soit les micro-célébrités activistes politiques et les capacités techniques de la plateforme Twitter, sont considérées comme une voie stratégique vers la mise en visibilité d’une idéologie politique. Dans une perspective sociotechnique, nous visons à comprendre la construction de récits et la fabrique du discours, en analysant les thèmes qui émergent des publications sur Twitter et le rôle des entités du collectif composé des actants humains et non-humains dans la production et la diffusion de ces messages. Nous remarquons que le résultat d’un tel assemblage, à travers des stratégies et les possibilités offertes par les affordances, permet de se saisir de l’attention médiatique de l’auditoire à des fins politiques : la promotion de valeurs issues de convictions anti-mesures sanitaires basées sur de la désinformation, des théories du complot et de la méfiance envers différentes institutions démocratiques. Ainsi, nous suggérons que des recherches futures doivent continuer de se pencher sur les effets de composition de cet assemblage sur la production et la diffusion du discours et que ces considérations doivent être prises en compte dans la recherche de solutions au problème de la désinformation.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.010 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| 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".