DISCOURSES OF VICTIMHOOD AND IDENTITY POLITICS ON SOCIAL MEDIA: UNDERSTANDING AFFECTIVE POLARIZATION DURING THE US ELECTION
Notice bibliographique
Résumé
This cross-platform digital ethnography examines the nuances of how emotions are expressed and who they are directed towards within social media in order to better understand the phenomenon of affective polarization and the increased emotionality online. As part of a larger three-year SSHRC-funded comparative study between the US and Canadian elections, the focused dataset for this project draws on grounded theory (Charmaz, 2006) and our exploration of 1800 social media posts from the political left and right across social media platforms: Twitter, Facebook, and Gab. By examining how social media users discursively construct representations of self and other through expressions of us/them dichotomies, this project seeks to better understand polarized political identities and how social media users emphasize that their morals and values are similar or distinct from others. How do people on the left and the right feel victimized by the other? What are the moral and emotional injuries as well as the identity politics upon which they base their claims to victimhood and simultaneously place blame on the other? How do social media users rhetorically express their indignation through us/them dichotomizing, to justify their negative affect as well as enactments of revenge as moral duty? In addition to presenting key findings, this talk highlights our innovative approach to affective discourse analysis developed over the past two years of iterative, grounded theoretical qualitative study.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».