Revisiting acculturation research with big data: the case of the Italian diaspora through the lens of Facebook interests
Notice bibliographique
Résumé
Abstract This article leverages big data to contribute to acculturation research, tapping on population behavior to measure the proximity of an ethnic minority to majority and homeland orientations. Our data consists of anonymized information from the Facebook Advertising Platform Interface about active users who speak Italian on the platform and reside in the 16 countries with the largest Italian-speaking communities worldwide. We conduct two main analyses. First, by calibrating the volume of Italian-speaking Facebook users with the penetration rate of the platform by country, age and gender, we estimate that the Italian diaspora amounts to 5.66–5.95 million people globally (aged 18 or more). Second, we record the level of interest of Italian speakers in given topics covered by Facebook (called ‘Facebook interests’) and measure its (dis)similarity with the corresponding level among users in the country of residence and users in Italy as an indicator of Berry’s types of acculturation (integration, assimilation, separation, or marginalization). From our data, no overarching acculturation model prevails across the board. However, variability in the diaspora is lower when it comes to typical manifestations of ethnic heritage, for which the interests of Italian speakers are higher than among locals but lower than among homeland Italians. On the basis of such dissimilarities in interests, the Italian diaspora is segmented into three clusters, reflecting geographic and cultural areas: Italians in Latin America, the Anglosphere, and continental Europe.
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 | 0,009 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 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 | 0,000 |
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 ».