AFFECTIVE DISCOURSE ANALYSIS AND SOCIAL MEDIA: METHODOLOGICAL INNOVATIONS IN THE CROSS-PLATFORM STUDY OF EMOTION AND RACE ON TWITTER, GAB, AND FACEBOOK
Notice bibliographique
Résumé
In the context of the so-called "post-truth" crisis, emotions have resoundingly replaced facts in our fast-moving, affectively-driven internet-based culture. Scholars are challenged to develop innovative methods for studying emotion and affect within studies of social media, and political communications. What is an effective interdisciplinary approach to the study of affect and communications in our rapidly-evolving media ecosystems? While the "affective turn" makes sense in the humanities, disciplines studying elections and populist sentiments traditionally draw upon quantitative and qualitative methods that tend to reduce and measure emotions as simply negative and positive. Further, political communications scholarship on "affective polarization" tend to define "in-groups" and "out-groups" solely in terms of partisan differences, missing much complexity of social identities and race relations. This three-year, funded research project draws from the politics of emotion to inform an innovative grounded theoretical study of emotional expression related to narratives of racism in social media. draw on Sarah Ahmed's concepts of sticky emotions and affective economies (2004) and Arlie Hochschild's concepts of feeling rules and deep stories (2016). This talk presents methodological innovations and research findings from our cross-platform digital ethnography of social media from Twitter, Gab, and Facebook, and qualitative discourse analysis of 1800 social media posts related to Black Lives Matter and the Capitol Riots. The paper provides a significant contribution to a nascent field of studies by specifically engaging an interdisciplinary theoretical framework that includes affect theory or politics of emotion alongside qualitative research of social media.
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 | 0,032 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».