“I’m Not going to the f***ing White House”: Twitter Users React to Donald Trump and Megan Rapinoe
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
When asked if she would go to the White House if invited, Megan Rapinoe stated, “I’m not going to the fucking White House.” The next morning, President Donald Trump posted a series of tweets in which he criticized Rapinoe’s statements. In his tweets, Trump introduced issues around race in the United States and brought forth his own notion of nationalism. The purpose of this study was to conduct an analysis of users’ tweets to determine how individuals employed Twitter to craft a narrative and discuss the ongoing Rapinoe and Trump feud within and outside the bounds of Critical Race Theory (CRT) and nationalism. An inductive analysis of 16,137 users’ tweets revealed three primary themes: a) Refuse, Refute, & Redirect Racist Rhetoric b) Stand Up vs. Know your Rights, and c) #ShutUpAndBeALeader. Based on the findings of this study, it appears that the dialogue regarding racism in the United States is quickly evolving. Instead of reciting the same refrain (i.e., racism no longer exists and systematic racism is constructed by Black people) seen in previous works, individuals in the current dataset refuted those talking points and clearly labeled the President as a racist. Additionally, though discussions of nationalism were evident in this dataset, the Stand Up vs. Know Your Rights theme was on the periphery in comparison to discussions of race. Perhaps, this indicates that some have grown tired of Trump utilizing nationalism as a means to stoke racism.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 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