Xenophobic Bullying and COVID-19: An Exploration Using Big Data and Qualitative Analysis
Notice bibliographique
Résumé
Extant literature suggests that xenophobic bullying is intensified by isolated national or global events; however, the analysis of such occurrences is methodologically limited to the use of self-reported data. Examining disclosures of racist bullying episodes enables us to contextualize various perspectives that are shared online and generate insights on how COVID-19 has exacerbated the issue. Moreover, understanding the rationale and characteristics present in xenophobic bullying may have important implications for our social wellbeing, mental health, and inclusiveness as a global community both in the short and long term. This study employs a mixed-method approach using Big Data techniques as well as qualitative analysis of xenophobic bullying disclosures on Twitter following the spread of COVID-19. The data suggests that about half of the sample represented xenophobic bullying. The qualitative analysis also found that 64% of xenophobic bullying-related tweets referred to occasions that perpetuated racist stereotypes. Relatedly, the rationale for almost 75% of xenophobic bullying incidents was due to being Chinese or Asian. The findings of this study, coupled with anti-hate reports from around the world, are used to suggest multipronged policy interventions and considerations of how social media sites such as Twitter can be used to curb the spread of misinformation and xenophobic bullying.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».