MétaCan
Menu
Retour à la cohorte
Enregistrement W2049488729 · doi:10.1080/13698575.2014.966806

The role of the media in construction and presentation of food risks

2014· article· en· W2049488729 sur OpenAlexaff
Julie Henderson, Annabelle Wilson, Samantha B. Meyer, John Coveney, Michael Calnan, Dean McCullum, Sue Lloyd, Paul Ward

Notice bibliographique

RevueHealth Risk & Society · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRisk Perception and Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésConstruct (python library)Presentation (obstetrics)Risk societyMass mediaPublic relationsFood safetyPerspective (graphical)BusinessMarketingAnxietyAdvertisingPsychologyPolitical scienceSociologyMedicineComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

In this article we examine how and why the media construct food risks, from the perspective of ‘media actors’ (people involved in different types of media) using data from 30 interviews conducted in 2013 with media actors from Australia and the United Kingdom. In modern society, many risks are invisible and are brought to the attention of the public through representations in the mass media. This is particularly relevant for food safety, where the widening gap between producers and consumers in the developed world has increased the need for consumer trust in the food supply. We show the importance of newsworthiness in construction of media stories about food risk using Beck’s ideas on cosmopolitan risk to interpret the data. We note the ways in which the strategies that media actors use to construct stories about food risk amplify the risk posed potentially creating consumer anxiety about the safety of the food system. It is important for food regulators and public health professionals to be aware of this anxiety when presenting information about a food incident so that they can target their message accordingly to decrease anxiety.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,024
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,002
Études des sciences et des technologies0,0040,009
Communication savante0,0110,010
Science ouverte0,0010,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,346
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Risk & SocietyMême sujetRisk Perception and ManagementTravaux en français237 207