Discours du gouvernement canadien sur l’environnement : l’approbation du projet Bay du Nord
Bibliographic record
Abstract
Depuis son arrivée au pouvoir en 2015, le premier ministre du Canada, Justin Trudeau, qualifie son gouvernement de progressiste sur le plan environnemental en raison de son engagement de réduire les émissions des GES. Malgré ces promesses, le ministre de l’Environnement et du Changement climatique, Steven Guilbeault, le 6 avril 2022, a approuvé le projet pétrolier Bay du Nord. Ce mémoire de maîtrise a pour objet le discours politique sur l’environnement qui a recours à une stratégie de communication relevant de l’écoblanchiment. Il répond à la question suivante : comment le gouvernement Trudeau justifie-t-il l’approbation du projet Bay du Nord sur le plan discursif à la lumière de ses engagements climatiques ? Cette recherche repose sur une méthodologie mixte en ce qu’elle combine une analyse de contenu quantitative avec une analyse critique de discours. Ces approches s’appuient sur des considérations théoriques relatives au cadrage en communication et à l’écoblanchiment en marketing et en science politique. L’étude détaillée de trente-quatre sources primaires émanant des libéraux permet d’observer que le gouvernement fédéral justifie la décision d’approuver ce projet pétrolier à l’aide d’arguments susceptibles d’être regroupés dans quatre cadres, ici énumérés par ordre décroissant d’importance : légitimation politique (51 % des arguments), économique (33 %), environnemental (24 %), éthique (17 %). Une comparaison avec dix-neuf sources primaires issues des conservateurs est effectuée afin de contextualiser et d’interpréter les résultats concernant l’apologie libérale du projet et d’en dégager l’intention d’écoblanchiment, laquelle peut prendre également la forme d’une dépolitisation de l’ensemble de la problématique.
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 | 0.027 | 0.066 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.016 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".