Ageism during the 2024 U.S. Presidential Election: thematic analysis of tweets
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: When the 2024 U.S. Presidential election was announced, Joe Biden and Donald Trump were two of the oldest candidates in election history. This circumstance created sentiments of ageist political discourse and arguments for presidential age limits. Despite clear ageist discourse during the U.S. election, there is a notable lack of research examining this issue. This study used posts from X (formerly Twitter) to understand ageism on social media during the 2024 U.S. Presidential Election, particularly focusing on the campaign period when the race was between Biden and Trump. RESEARCH DESIGN AND METHODS: Posts were collected from X during the American presidential election campaign from February 11-25, 2024. After filtering out non-English, incomplete, and unrelated posts, 1,254 relevant posts were coded line-by-line and then thematically analyzed. Rigor was established by using multiple strategies ranging from a strong audit trail to using interrater reliability during thematic analysis. RESULTS: Four main themes were identified: (1) old age as an inherent weakness: "they're both too old," (2) dementia-related stigma, (3) dehumanization of older adults: "ancient fossils are running for office," and (4) fear of perceived incompetence. DISCUSSION AND IMPLICATIONS: Our study's findings shed light on how ageist discourse on social media threatens the credibility of older political leaders by shifting the focus from policies to stereotypical age-based attacks. Further research is needed to examine the impact of ageist discourse on electoral campaigns.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».