Performativity in Politics: Understanding the Role of Affect in Political News Coverage
Notice bibliographique
Résumé
The United States Democratic primaries for the 2020 election kicked off with an incredibly diverse pool of candidates with regards to gender, race, age, and socioeconomic status. However, as the primaries progressed and the pool of candidates narrowed, voters elected to nominate Joe Biden—a white man in his late seventies—to take on Donald Trump in November, 2020. Given the similarity between Elizabeth Warren’s platform and Bernie Sanders’, the purpose of this paper is to explore how news-media coverage contributes to the role of gender in campaigns for president in the United States. Grounded in a theoretical understanding of gender performativity in politics, this study uses a quantitative sentiment analysis of newspaper articles about both candidates to understand whether reporters expressed underlying sentiments differing based on the candidates’ gender. Articles were selected from The New York Times (NYT), The Washington Post (WaPo), National Public Radio (NPR), The Associated Press (AP), and the Wall Street Journal (WSJ) to represent the diversity of reputable, mainstream news outlets considered to have minimal partisan bias available to the American public. Though the sentiment analysis revealed no significant difference in reporting across the different sources by candidate, factors such as rules for news publications and the nuances in political orientation of the two candidates may have limited the role of sentiment in contributing to political gender bias in this case study. This research is of broad interest as it sheds light on the current gendered political landscape in the United States, where a female president has yet to be elected. Furthermore, this study explores the within-party gender dynamics in reporting, in contrast to the myriad studies published in the aftermath of the 2016 presidential election in which Hillary Clinton lost to Donald Trump.
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 | 0,003 | 0,010 |
| 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 | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».