Racial Cues and Attitudes toward Redistribution: A Comparative Experimental Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Support for welfare in the US is heavily influenced by citizens’ racial attitudes, especially citizens’ attitudes toward Blacks. Indeed, the fact that many Americans think of welfare recipients as poor Blacks (and especially poor Black women) is a common explanation for Americans’ comparatively low support for redistribution cross-nationally. In this study, we extend existing work on how racialized portrayals of recipients affect attitudes toward redistribution. The data for the analysis are drawn from a new and unique online survey experiment, implemented by YouGov with representative samples (n=1200) in each of the US, UK and Canada. Relying on a series of survey vignettes, we manipulate program type (welfare vs. unemployment insurance) as well as the ethno-racial background of recipients (through morphed photos and common ethnicized names). In doing so, we seek to make three specific contributions. First, we test whether support for a means-tested program like welfare is lower than support for contribution-based program like unemployment insurance. Second, we extend the American literature to explore whether there is an anti-Black bias in other countries. Third, we examine whether citizens respond to other minority groups (Asians and Southeast Asians) in a similar manner. Parallel survey designs allows for an unprecedented comparative analysis of the underlying political-psychological sources of support (or lack of support) for redistributive policies across Anglo-Saxon democracies. The paper concludes by considering the implications of this study in light of growing immigrant-driven diversity in North America and Europe.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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