Variations of science-related populism in comparative perspective: A multilevel segmentation analysis of supporters and opponents of populist demands toward science
Notice bibliographique
Résumé
Many countries worldwide have seen populist resentment against scientists, which can manifest as “science-related populist attitudes” among the population. These attitudes can be assumed to divide populations into multiple segments—each endorsing or rejecting different facets of science-related populism, with segment sizes and characteristics varying between countries and cultural contexts. This study tests this with a secondary analysis of four public opinion surveys from Austria, Germany, Switzerland, and Taiwan (total N = 4598), combining a Most Similar Systems Design (MSSD) and a Most Different Systems Design (MDSD). It uses fixed-effects latent class analysis to demonstrate that Austrian, German, Swiss, and Taiwanese publics can be grouped into three segments: Full-Fledged Populists, People-Centric Non-Populists, and Deferent Anti-Populists. A large majority in all countries can be classified as Non-Populist or Anti-Populists, whereas Populists, who support the entire spectrum of science-related populism, make up the smallest segment. Bayesian regression shows that Populists are older and more likely to support right-leaning political views. Cross-country and cross-cultural comparisons reveal differences in segment sizes and characteristics: For example, Populists are more prevalent in Austria, while Germany has a large proportion of Anti-Populists. These are less widespread in Taiwan, where Non-Populists form a particularly big segment. The findings can be explained with national political, cultural, and historical contexts to some degree. Eventually, they are discussed against the backdrop implications for science communication and future scholarship on public science skepticism.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».