TikTok vs. the Fourth Estate: Engagement With News on TikTok
Notice bibliographique
Résumé
In addition to content from accounts the user follows, TikTok frequently emphasizes content with similar subject matter to videos the user has previously liked. As long as a user has indicated an interest in the topic (most likely by engaging with a related video), they may see a TikTok about it despite not following anyone who has ever interacted with it. Consequently, political networks and communities do not always emerge around prominent figures like politicians or professional content creators, but rather manifest as ephemeral trending topics. Our methodological approach to studying engagement with politics on TikTok therefore uses topic modeling to identify how and when TikTok users respond to news coverage about prominent current events. Specifically, we examine a large dataset of news articles, TikTok videos, and TikTok comments to uncover how TikTok discussion of the Russian-Ukrainian war temporally differs from coverage in mainstream news outlets. By examining points in time where the proportion of TikTok content about a specific topic within the war mirrors its discussion in the news – and more importantly, where it diverges – we are able to see how TikTok users include news events in their engagement with political issues. We find that the majority of TikTok videos about the Russian-Ukrainian war rarely feature prominent news stories, but rather focus on the users’ personal experiences and perspectives. However, TikTok comments are more strongly engaged with specific events and ‘hot-button’ issues related to the war. The application of our methodology allows us to observe how major news events inform the creation and discussion of content on TikTok, the discrepancy between video descriptions/hashtags and video subject matter, and the importance of the comment section as a site for political conversation.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
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 ».