Hate Crime in the News: The Media’s Role in Agenda Setting
Notice bibliographique
Résumé
Examining the extant literature on hate crimes shows that there has been an evolutionary process of Hate Crime legislation (HC). Similar to other social movements such as civil rights, the hate crime movement also had various waves which eventually lead to the passage of legislation. By and large, however, HC research has focused on victims and offenders of hate crimes as well as motivations of bias. Moreover, less research has been done on the media’s portrayal and coverage of HC. Since the media is a noted influencer in social issues (Culotta, 2002; Quisenberry, 2001), we sought to answer how the news media are reporting incidences of hate crimes – particularly LGBTQ+- and compare them with official crime statistics reported by law enforcement agencies. In order to answer these questions, our research utilized a qualitative content analysis using QSR NVivo 12.0 to identify potential themes and trends which may be overlooked in simple quantitative methods. Our dataset comes from the Hate Crime Index ("ProPublica," 2018), for the month of June 2018. Official FBI data is also utilized for comparison, spanning from 2012 to 2016. Our results suggest that the media reports HC within an overall internal Agenda Setting Orientation. During analysis, two main themes were identified that show the (i) media report both the failures and challenges of law enforcement in dealing with HC issue and, (ii) that media highlights various best practices some agencies engage in. Limitations and future research directions are discussed.
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 | 0,000 | 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 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 ».