Climate Change Communication Among European and American Politicians from 2015 to 2020 on X
Notice bibliographique
Résumé
Climate change is a multifaceted issue that encompasses environmental, social, cultural, and political dimensions. Greater involvement and awareness have been fostered among online community members thanks to the rise of the internet and the use of social media networks. Among these, X (formerly known as Twitter) stands out as a catalyst for creating shared knowledge, connectedness, and concern among its members, contributing to a greater sense of responsibility. Much attention has been paid to the influence of X on politicians, who use it as a vital political tool to engage with the public, set agendas, and signal policy intentions. This paper delves into an analysis of climate change communication on X by 36 politicians from the EU and the U.S. It seeks to determine whether there is a correlation between language use and geographical location based on the assumption that the European Union has had a more stable and coherent concern about climate change over time, compared to the United States (Wendler, 2022). By means of corpus linguistics and discourse analysis, based on a modern-diachronic approach, multiword expressions extracted from an ad hoc corpus of 163 753 tweets are examined to identify their lexical saliency (Baker, 2006). Despite limitations, this paper is an attempt to shed light on the communicative strategies employed by politicians in addressing climate issues and highlights the need for further investigation into climate change communication on a global scale.
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 | 0,001 | 0,012 |
| 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 | 0,000 | 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 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 ».