Like and dislike. Negativity bias in political TV series
Notice bibliographique
Résumé
Abstract In this article I analyse people's comments about what they like most and least about two of the most popular political TV series, to determine in which way the content of the series (positive or negative) influences their answers. Results prove the existence of a negative bias in the case of series' opposite content as there is a clear difference between people's answers. The negative information triggered more reactions, people remembered more scenes, more details, analyzed more profoundly the double meanings and metaphors. On the other hand, people exposed to the positive series gave more general answers, remembered less details about characters and events. Abstrait Dans cet article, j'analyse les commentaires des gens sur ce qu'ils aiment le plus et le moins dans deux series politiques televisees, afin de determiner dans quelle mesure le contenu de la serie (positif ou negatif) a une influence sur leur reponses. Les resultats demontrent l'existence d'un biais negatif dans le cas du contenu oppose de ces series, il y a une difference claire entre les reponses des gens. L'information negative a declenche plus des reactions, les gens se souvenait plus de scenes, plus de details, ils ont analyse plus en profondeur le double message et les metaphores. De l'autre cote, les gens qui ont vu la serie positive ont repondu de mesure plus generale, avec moins des details sur les personnages et evenements.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».