MétaCan
Menu
Retour à la cohorte
Enregistrement W4243015442 · doi:10.32920/14669178.v1

Is offensive commenting contagious online? Examining public vs. interpersonal swearing in response to Donald Trump's YouTube campaign videos

2021· preprint· en· W4243015442 sur OpenAlexaff
Ki-Ryun Kwon, Anatoliy Gruzd

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueHate Speech and Cyberbullying Detection
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésOffensivePsychologyInterpersonal communicationSocial psychologySpillover effectEmotional contagionProsocial behaviorEconomics

Résumé

récupéré en direct d'OpenAlex

<p><strong>Purpose: </strong></p> <p>The current study explores the spillover effects of offensive commenting in online community from the lens of emotional and behavioral contagion. Specifically, it examines the contagion of swearing –a linguistic mannerism that conveys high arousal emotion –based upon two mechanisms of contagion: mimicry and social interaction effect.</p> <p><strong>Design/methodology/approach:</strong></p> <p>The study performs a series of mixed-effect logistic regressions to investigate the contagious potential of offensive comments collected from YouTube in response to Donald Trump’s 2016 presidential campaign videos posted between January and April 2016.</p> <p><strong>Findings:</strong> </p> <p>The study examines non-random incidences of two types of swearing online: public and interpersonal. Findings suggest that a first-level (a.k.a. parent) comment’s public swearing tends to trigger chains of interpersonal swearing in the second-level (a.k.a. child) comments. Meanwhile, among the child-comments, a sequentially preceding comment’s swearing is contagious to the following comment only across the same swearing type. Based on the findings, the study concludes that offensive comments are contagious and have impact on shaping the community-wide linguistic norms of online user interactions.</p> <p><strong>Originality/value:</strong> </p> <p>The study discusses the ways in which an individual’s display of offensiveness may influence and shape discursive cultures on the Internet. This study delves into the mechanisms of text-based contagion by differentiating between mimicry effect and social interaction effect. While online emotional contagion research to this date has focused on the difference between positive and negative valence, Internet research that specifically look at the contagious potential of offensive expressions remain sparse.</p>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,533
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,000
Science ouverte0,0020,004
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,280
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHate Speech and Cyberbullying DetectionTravaux en français237 207