Notice bibliographique
Résumé
Abstract For decades, scholars and observers have criticized negative media portrayals of Muslims and Islam. Yet most of these critiques are limited by their focus on one specific location, a limited time period, or a single outlet. This book offers the first systematic, large-scale analysis of American newspaper coverage of Muslims through comparisons across groups, time, countries, and topics. It demonstrates conclusively that coverage of Muslims is strikingly negative by every comparative measure examined. Muslim articles are negative relative to those touching on Catholics, Jews, or Hindus, and to those mentioning marginalized groups within the United States as diverse as African Americans, Latinos, Mormons, and atheists. Coverage of Muslims has also been consistently and enduringly negative across the two-decade period from 1996 through 2016. This pattern is not unique to the United States; it also holds in countries such as Britain, Canada, and Australia, although less so in the Global South. Moreover, the strong negativity in the articles is not simply a function of stories about foreign conflict zones or radical Islamist violence, even though it is true that terrorism and extremism have become more prominent themes since 9/11. Strikingly, even articles about mundane topics tend to be negative. The findings suggest that American newspapers may, however inadvertently, contribute to reinforcing boundaries that generate Islamophobic attitudes. To overcome these drawbacks, journalists and citizens can consciously “tone-check” the media to limit the stigmatizing effect of negative coverage so commonly associated with Muslims and Islam.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 0,027 |
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 ».