An Analysis of the Media Messages during the 2016 U.S. Presidential Election: A Thematic Comparison between CNN News and Donald Trump’s Tweets
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
In the last presidential election of the United States (2016), the interaction between the Donald Trump and the American media was remarkable and unprecedented from both political and communication perspectives. The present paper is interested in observing the interactions between then the Republican Party candidate, Donald Trump, and the media of the United States. As there were major verbal confrontations between Trump, and some media, specifically CNN, this paper observes how Trump campaign reacted to CNN that turned out to be one of his biggest opponents. The relations and reactions are explained using “agenda setting” and “selective exposure” as theories and “thematic analysis” as the research methodology. The paper analyzes CNN videos from October 7 to October 31, and Trump’s tweets during the same period. The reason for conducting the research during October is that this month is regarded as one of the most critical periods in US presidential election, known as “October surprise”. Then a thematic analysis of the data is conducted to extract all accusations and allegations against Trump. Research results show that President Trump did not react to most of the accusations and attacks raised by CNN. Apparently Trump had decided that ignoring and not responding is a better strategy. There was an exception to this rule: Trump’s treatment toward women. He did address that issue frequently and tried to justify himself and apologize. Accordingly, Trump’s presidential campaign aim was to ignore accusations, keep attacking, and answering accusations only if they are already known to too many people.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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