Character deprecation in fake news: Is it in supply or demand?
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
A major focus of current research is understanding why people fall for and share fake news on social media. While much research focuses on understanding the role of personality-level traits for those who share the news, such as partisanship and analytic thinking, characteristics of the articles themselves have not been studied. Across two pre-registered studies, we examined whether character-deprecation headlines – headlines designed to deprecate someone’s character, but which have no impact on policy or legislation – increased the likelihood of self-reported sharing on social media. In Study 1 we harvested fake news items from online sources and compared sharing intentions between Republicans and Democrats. Results showed that, compared to Democrats, Republicans had greater intention to share character-deprecation headlines compared to news with policy implications. We then applied these findings experimentally. In Study 2 we developed a set of fake news items that was matched for content across pro-Democratic and pro-Republican headlines and across news focusing on a specific person (e.g., Trump) versus a generic person (e.g., a Republican). We found that, contrary to Study 1, Republicans were no more inclined toward character deprecation than Democrats. However, these findings suggest that while character assassination may be a feature of pro-Republican news, it is not more attractive to Republicans versus Democrats. News with policy implications, whether fake or real, seems consistently more attractive to members of both parties regardless of whether it attempts to deprecate an opponent’s character. Thus, character deprecation in fake news may in be in supply, but not in demand.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle