Examining spread of emotional political content among Democratic and Republican candidates during the 2018 US mid-term elections
Notice bibliographique
Résumé
Abstract Previous research investigating the transmission of political messaging has primarily taken a valence-based approach leaving it unclear how specific emotions influence the spread of candidates’ messages, particularly in a social media context. Moreover, such work does not examine if any differences exist across major political parties (i.e., Democrats vs. Republicans) in their responses to each type of emotional content. Leveraging more than 7000 original messages published by Senate candidates on Twitter leading up to the 2018 US mid-term elections, the present study utilizes an advanced natural language tool (i.e., IBM Tone Analyzer) to examine how candidates’ multidimensional discrete emotions (i.e., joy, anger, fear, sadness, and confidence) displayed in a given tweet—might be more likely to garner the public’s attention online. While the results indicate that positive joy-signaling tweets are less likely to be retweeted or favorited on both sides of the political spectrum, the presence of anger- and fear-signaling tweets were significantly associated with increased diffusion among Republican and Democrat networks, respectively. Neither expressions of confidence nor sadness had an impact on retweet or favorite counts. Given the ubiquity of social media in contemporary politics, here we provide a starting point from which to disentangle the role of specific emotions in the proliferation of political messages, shedding light on the ways in which political candidates gain potential exposure throughout the election cycle.
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 | 0,006 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».