Digital battleground: An examination of anti-refugee discourse on Twitter against Ukrainians displaced by Russia’s invasion of Ukraine
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
Russia’s war of aggression in Ukraine has triggered Europe’s largest refugee crisis since World War II. In this case study, we investigate the prevalence and types of anti-refugee discourse about Ukrainian refugees on Twitter. Previous studies primarily focused on public discourse and attitudes toward racialized refugees and immigrants; the Ukrainian refugee crisis is unique in that it is one of the few instances of a recent refugee crisis involving people who do not come from mostly racialized communities. Using Communalytic, a computational social science tool for studying public discourse on social media, we automatically collected and identified toxic posts mentioning Ukrainian refugees during the first year of Russia’s full-scale invasion of Ukraine. We focused on posts containing toxic language, as this is where we are most likely to find examples of anti-refugee sentiments. Based on a manual analysis of 2,045 toxic posts referencing Ukrainian refugees, the most prevalent ones were politically motivated and included partisan content (33 percent), followed by posts containing expressions countering anti-refugee narratives (20 percent). These findings highlight the escalating politicization and polarization of discussions about Ukrainian refugees both online and offline. Furthermore, 53 percent of the sample aligned with pro-Kremlin narratives against Ukraine. By exploiting anti-refugee sentiments and leveraging existing political and cultural fault lines in the West, pro-Kremlin messages on Twitter contribute to diminishing support for Ukrainian refugees, minimizing the severity of the war, and undermining international support for Ukraine.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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