What are some significant factors that affect the prejudice between east Asian countries, China, Japan, and Korea specifically?
Notice bibliographique
Résumé
The purpose of this paper is to discuss factors that affect prejudice between China, Japan, and Korea will be discussed. The primarily negative relationship between these East Asian countries has been impacting the lives of citizens throughout history, especially now, with the help of social media. Harmful stereotypes such as “cold and unreliable Japanese”, “untrustworthy Chinese”, and “culture stealing Koreans” cause discourse such as the Chinese people rejecting aid that the Japanese government sent during COVID-19, the school textbooks that paint each other in a negative light by using “fake history”, and fights that often break out between Chinese, Japanese, and Korean people on social media. Through researching articles previously written on this subject, I found that some factors that might affect the prejudice between these three East Asia countries are views of historical animosity, such as atrocities committed by Japan in World War II and Imperial Japan’s invasions, political needs within the countries, and current military advances including the fight of claim over the Diaoyu islands in the East China Sea. Ultimately, these stereotypes and prejudice are not backed by any scientific reasoning, being mostly motivated by amplified emotions caused by propaganda. This paper seeks to shed light on the prejudices that affect the relationship between Chinese, Japanese, and Korean people and help them understand each other better, which is the first step towards dispelling unreasonable stereotypes. Sources from various East Asian and Western perspectives will be examined in tandem to alleviate the possible bias present in the analysis.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».