Witnessing images of extreme violence: a psychological study of journalists in the newsroom
Notice bibliographique
Résumé
OBJECTIVE: User Generated Content - photos and videos submitted to newsrooms by the public - has become a prominent source of information for news organisations. Journalists working with uncensored material can frequently witness disturbing images for prolonged periods. How this might affect their psychological health is not known and it is the focus of this study. DESIGN: Descriptive, exploratory. SETTING: The newsrooms of three international news organisations. PARTICIPANTS: One hundred and sixteen journalists working with User Generated Content material. MAIN OUTCOME MEASURES: Psychometric data included the re-experiencing, avoidance and autonomic arousal indices of posttraumatic stress disorder (Impact of Event Scale-revised), depression (Beck Depression Inventory-II; BDI-II), a measure of psychological distress (GHQ-28), the latter comprising four subscales measuring somatisation, anxiety, social dysfunction and depression, and mean weekly alcohol consumption divided according to gender. RESULTS: Regression analyses revealed that frequent (i.e. daily) exposure to violent images independently predicted higher scores on all indices of the Impact of Event Scale-revised, the BDI-II and the somatic and anxiety subscales of the GHQ-28. Exposure per shift only predicted scores on the intrusion subscale of the Impact of Event Scale-revised. CONCLUSIONS: The present study, the first of its kind, suggests that frequency rather than duration of exposure to images of graphic violence is more emotionally distressing to journalists working with User Generated Content material. Given that good journalism depends on healthy journalists, news organisations will need to look anew at what can be done to offset the risks inherent in viewing User Generated Content material. Our findings, in need of replication, suggest that reducing the frequency of exposure may be one way to go.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».