NARRATIVES IN AMERICA: THE CONNECTION BETWEEN AFFECTIVE POLARIZATION AND VICTIMHOOD IN THE 2020 US ELECTION
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
This study explores the emotions, beliefs, and deep stories about the self and other that are held by individuals on the political right and left in America in order to understand the manifestation of affective polarization during divisive historical moments. It also documents expressions of victimhood, villainhood, and privilege to determine how they intersect with narratives about the ingroup and outgroup. Horwitz (2018) argues that victimhood has become a desirable status in American politics and is thus a site of contestation. Therefore, we ask: what beliefs and emotions do individuals hold about the ingroup and outgroup and how do these contribute to exacerbating affective polarization? We conducted a four-month digital ethnography before, during and after the 2020 US election and developed an innovative approach to affective discourse analysis through an iterative, grounded study in order to analyse Facebook, Twitter, and Gab content. We coded 2500 cross-partisan posts/comments that focused on the January 6 Capitol events and election outcome/fraud and were underscored by themes of race and partisanship. Individuals on the political right and left expressed deep distrust towards the outgroup but thankfulness to those speaking their own narrative. Findings also indicate that affective polarization has deeper roots in feelings of bitterness and resentment of the other. These are linked to the ingroup’s narrative of victimhood/blame and serve to strengthen the boundaries of ingroup and outgroup identities as membership in the group becomes defined in part by the recognition (or lack thereof) of that group’s pain and oppression.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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