Framing Layoffs: Media Coverage, Blame Attribution, and Trade-Related Policy Responses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Who is blamed when factories close or when there are mass layoffs? Whether it be the closing of an auto plant or the threatened off-shoring of the Carrier furnace factory, media reports frequently incorporate justifications—or frames—that provide context about the closure or layoffs. We conduct an analysis of media coverage of factory layoffs in the United States and Canada, and find that the most common frames often include foreign competition and trade policy, changing market conditions, or exogenous shocks, such as the pandemic. We argue that such frames alter who the public holds responsible and thus affects the public’s preferred policy responses. We test the effect of media frames on the public’s blame attribution and subsequent policy preferences using a survey experiment about General Motors factory closings. The results from a sample of almost 6,000 respondents in the US and Canada show that the public is quick to shift blame to the government, reducing blame to the company, and shifting attention to particular government responses. We find that the most common media frames significantly shift support for trade policy in both countries, but have no effect on domestic public assistance programs such as unemployment benefits or retraining and education programs. Notably, most treatment effects are similar across ideological types. The results hold practical implications in terms of the incentives of politicians to promote specific explanations of factory closings and theoretical implications in terms of moderating the highly partisan expectations within the current literature on economic blame attribution.
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.
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 | 0,001 | 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 | 0,000 | 0,001 |
| 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 découle