War stories in social media: Personal experience of Russia-Ukraine war
Notice bibliographique
Résumé
In light of the current Russia-Ukraine war, traumatic stress in civilian Ukrainians is a critical issue for psychological science to examine. Social media is often viewed as a tribune for authors’ self-expressing and sharing stories on the war’s impact upon their lives. To date, little is known about how the civilians articulate their own war experience in social media and how this media affects the processing of traumatic experience and releasing the traumatic stress. Thus, the goal of the study is to examine how the personal experience of the Russia-Ukraine war 2022 is narrated on Facebook as a popular social media venue. The study uses a corpus of 316 written testimonies collected on Facebook from witnesses of the Russia-Ukraine war and compares it against a reference corpus of 100 literary prosaic texts in Ukrainian. We analyzed both corpora using the Ukrainian version of the Linguistic Inquiry and Word Count software – LIWC 2015 (Pennebaker et al., 2015). We identified psychological and linguistic categories that characterized the war narratives and distinguished it from the literary reference corpus. For instance, we found the style of Facebook testimonies to be significantly less narrative and more analytic compared to literary writings. Therefore, writers in the social media focus more on cognitive reappraisal of the tragic events, i.e., a strategy known to lead to a reduction of stress and trauma. Disclosure Statement No potential conflict of interest was reported by the authors.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».