Emotional framing in online environmental activism: Pairing a Twitter study with an offline experiment
Notice bibliographique
Résumé
As the consequences of anthropogenic climate change become more apparent, social media has become a central tool for environmental activists to raise awareness and to mobilize society. In two studies, we examine how the emotional framing of messages posted by environmental activists influences engagement and behavioral intentions toward environmental action. In the first study, tweets ( N = 510k) of 50 environmental activists posted between November 2015 and December 2020 are examined to measure their emotional content and its relation to tweet diffusion. Environment-related tweets are found to be shared more the less they contain positive emotion and the more they contain negative emotion. This result supports the negativity bias on social media. In Study 2 ( N = 200), we experimentally test whether negatively vs. positively framed environmental content leads to increased reported intent to engage with collective action, and whether mood mediates that link. We find both direct and indirect effects on reported climate action intentions when mood is used as a mediator. The negative mood resulting from seeing negative tweets makes participants more likely to report higher action intention (indirect effect)—congruent with Study 1. However, seeing negative tweets also makes participants less inclined to act (direct effect), indicating a suppression effect and the presence of other factors at work on the pathway between information and action intent formation. This work highlights the complex and multifaceted nature of this relation and motivates more experimental work to identify other relevant factors, as well as how they relate to one another.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».