“Ain’t Nobody Got Time for That!”: Framing and Stereotyping in Legacy and Social Media
Notice bibliographique
Résumé
Background Social media can be powerful tools for rallying support for a social cause, political mobilization, and social commentary. They can also greatly contribute to incendiary discourses and social stereotypes—often through memes. This article explores the case of one American, known by the moniker of “Sweet Brown,” whose interview about a local fire made her an overnight celebrity in 2012.Analysis A frame analysis of her portrayals in legacy and social media is conducted, and reveals that social media platforms facilitate and even encourage a reductionist approach to messaging.Conclusion and implications Sweet Brown’s appearance, which conjures gender, race, and socio-economic class, became a powerful tool for circulating stereotypes. The interplay between legacy and social media can serve to reproduce stereotypes and marginalization, as is evident in the case of Sweet Brown.Contexte Les médias sociaux peuvent être un outil puissant servant à gagner des appuis pour des causes sociales, la mobilisation politique et des commentaires sociaux. Cependant, ils peuvent aussi véhiculer des propos incendiaires et des stéréotypes sociaux, souvent au moyen de mèmes. Cet article explore le cas d’une Américaine surnommée Sweet Brown, qu’une interview sur un incendie local a subitement rendue célèbre en 2012.Analyse L’article comporte une analyse de cadre sur la manière dont les médias traditionnels et sociaux ont dépeint Sweet Brown. Cette analyse suggère que les médias sociaux facilitent et même encouragent une approche réductionniste.Conclusion et implications L’apparence de Sweet Brown, qui évoque le genre, la race et la classe socioéconomique, est devenue un outil puissant pour faire circuler des stéréotypes. Son cas montre que l’interaction entre médias traditionnels et médias sociaux peut contribuer à la reproduction de stéréotypes et à la marginalisation.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».