“Be Professional, Private and Pleasant”: The Conscious and Unconscious Gendering of Campaign Messages in Canadian and Australian Local Elections
Notice bibliographique
Résumé
This dissertation examines Australian and Canadian local campaigns to investigate the extent to which gender and gendered stereotypes consciously affect candidates’ campaign messaging. The data for this study was gathered via in-depth interviews with 92 candidates who contested elections at the state/provincial level between 2010 and 2013. The data collected during the interviews included information on how candidates presented themselves in terms of their appearance, qualifications, character traits and family life; the issues that they highlighted in their local campaigns; the voters they targeted and strategies to connect with them; and information about their opponent relationships such as whether they formed civility pacts, employed negative attack messaging and how they responded if they were negatively campaigned against. The main conclusion is that gender affects political campaigns. Women’s campaign messaging looks different from men’s campaign messaging in several ways. For example, women are less likely to share personal information about themselves and their families and less likely to target an opponent with negative attack messages despite being more likely to be the target of such attacks. Among the most competitive women candidates, the differences found between their campaigns, and men’s campaigns, regardless of competitiveness, started to diminish. In terms of understanding why campaigns are gendered, there was minimal evidence detected that candidates consciously adjusted their messaging in response to what they perceived to be either voter-held or self-held beliefs about gendered stereotypes. Thus, gendered campaign messaging is the result of unconscious gender role stereotypes. By and large, women candidates did not cue gender in their local campaigns by highlighting women’s issues in their messaging, or by appealing to voters to support a woman candidate.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,008 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».