Conspiracy Beliefs, Misinformation, Social Media Platforms, and Protest Participation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Protest has long been associated with left-wing actors and left-wing causes. However, right-wing actors also engage in protest. Are right-wing actors mobilized by the same factors as those actors on the left? This article uses cross-national survey data (i.e., US, UK, France, and Canada) gathered in February 2021 to assess the role of misinformation, conspiracy beliefs, and the use of different social media platforms in explaining participation in marches or demonstrations. We find that those who use Twitch or TikTok are twice as likely to participate in marches or demonstrations, compared to non-users, but the uses of these platforms are more highly related to participation in right-wing protests than left-wing protests. Exposure to misinformation on social media and beliefs in conspiracy theories also increase the likelihood of participating in protests. Our research makes several important contributions. First, we separate right-wing protest participation from left-wing protest participation, whereas existing scholarship tends to lump these together. Second, we offer new insights into the effects of conspiracy beliefs and misinformation on participation using cross-national data. Third, we examine the roles of emerging social media platforms such as Twitch and TikTok (as well as legacy platforms such as YouTube and Facebook) to better understand the differential roles that social media platforms play in protest participation.
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.
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 | 0,001 |
| 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 | 0,002 | 0,000 |
| 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 découle