Gender Bias in Canadian Politics: A Content Analysis of a Canadian Prime Minister’s Speeches in 2015
Notice bibliographique
Résumé
This study examines the way former Prime Minister Stephen Harper addresses men and women in his speeches, and how this political rhetoric can manipulate media messaging. We performed a content analysis of individuals mentioned in a sample of Stephen Harper’s 2015 speeches using seven coding categories: Name, Age, Sex, Occupation, Title Used, Speech Mentions, and Total Mentions. The research design follows a sequential explanatory style, supplementing quantitative findings with qualitative analysis. We hypothesize that Harper’s speeches contribute to the unfair representation of women in politics by continuing the patriarchal cultural practice of overlooking, belittling, or ignoring female accomplishments; this translates to unfair treatment (i.e. stereotyping, under- or mis-representation) of women in mainstream media. This research is a continuation of Dr. Peter Ryan’s research on Harper’s speeches from 2004–2014, and contributes to this previous research by shedding light upon the relationship between gender and politics in Canada. The results of the current study show that there is a disparity in the way that Stephen Harper referenced men and women: not only are women mentioned less frequently, but they are also less likely to be the focus of the speech and to be given a formal title. The literature supports the notion that this disparity inevitably results in a distorted representation of women in media.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,016 | 0,004 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».