Estimating the effect size of moral contagion in online networks: A pre-registered replication and meta-analysis
Notice bibliographique
Résumé
Abstract Over 5 billion people now use social media platforms. As our social lives become increasingly entangled with online social networks, it is important to understand the dynamics of online information diffusion. This is particularly true for the political domain, as political elites, disinformation profiteers, and social activists all use social media to gain influence by spreading information. Recent work found that emotional expressions related to morality (moral-emotion expression) are associated with increased diffusion of political messages—a phenomenon we called “moral contagion.” Here, we perform a large, pre-registered direct replication (N = 849,266) of Brady et al. using the dictionary methods from the original paper, as well as new large-language models. We also conduct a meta-analysis of all available data testing moral contagion (5 labs, 27 studies, N = 4,821,006). The estimate of moral contagion in the available population is positive and significant (IRR = 1.13, 95% CI = [1.06, 1.20]), such that for each additional moral–emotional word in a post, the expected number of shares was 13% greater. The mean effect size of the pre-registered replication (IRR = 1.17) better estimated the population effect than the original study (IRR = 1.20). Contrary to prior work, we find that the moral contagion model substantially outperforms nonsense models of diffusion (“XYZ contagion model”). Moral contagion was also conceptually replicated when moral–emotional content was measured using state-of-the-art natural language processing methods. These findings reveal that the moral contagion effect is highly robust across datasets and methods.
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 | 0,000 |
| 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 ».