Exploring Children's Preferences for Media Characters in Relation to Gender Roles and Stereotypes
Notice bibliographique
Résumé
Children learn about gender and gender roles from various sources, including screen media. They also display gender-based or gender-stereotypical preferences in social contexts. Recent work shows that children's media is largely made up of gender-stereotypical characters. An intriguing question arises as to whether children themselves hold gender-stereotypical beliefs about media characters. The present research aimed to address this question in two studies (four experiments). In each experiment, the researcher explained that they were creating a brand-new television show and needed help choosing characters for the show. Then, children aged 4-5 and 7-8 years were presented with a pair of characters and asked who they thought would be best at teaching a stereotypically feminine domain or a stereotypically masculine domain in the show (Study 1), or who would be best at solving a problem in an episode vignette using one of four strategies: magic, talking, STEM, and physical power (Study 2). In Study 1, both age groups were more likely to choose female characters and female characters with a stereotypically feminine appearance (i.e., wearing a dress) to teach stereotypically feminine domains, but only 7- to 8-year-olds chose male characters and female characters with a counter-stereotypical appearance (i.e., wearing pants) to teach stereotypically masculine domains. In Study 2, children thought female characters would be best at solving problems using magic and talking, whereas male characters would be best at solving problems using physical power. In addition, 7- to 8 year-olds thought that female characters with a counter-stereotypical appearance would be best at solving problems using STEM or physical power. Given that children frequently engage with and learn from media characters, these results highlight the importance of creating multi-dimensional and complex characters that are not only defined by their gender or appearance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».