The sociodemographic correlates of conspiracism
Notice bibliographique
Résumé
Despite hundreds of studies examining belief in conspiracy theories, it is still unclear who-demographically-is most likely to believe such theories. To remedy this knowledge gap, we examine survey data containing various operationalizations of conspiracism across diverse sociopolitical contexts. Study 1 employs a 2021 U.S. survey (n = 2021) to examine associations between sociodemographic characteristics and beliefs in 39 conspiracy theories. Study 2 similarly employs a survey of 20 countries (n = 26,416) and 11 conspiracy theory beliefs. Study 3 reports results from a 2020 U.S. survey (n = 2015) measuring perceptions about which groups are engaging in conspiracies. Study 4 interrogates data from nine U.S. surveys (2012-2022; n = 14,334) to examine the relationships between sociodemographic characteristics and generalized conspiracy thinking. Study 5 synchronizes studies 1-4 to provide an intersectional analysis of conspiracy theory belief. Across studies, we observe remarkably consistent patterns: education, income, age (older), and White identification are negatively related to conspiracism, while Black identification is positively related. We conclude by discussing why conspiracy theories may appeal most to historically marginalized groups and how our findings can inform efforts to mitigate the negative effects of conspiracy theories.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».