The TikTok Effect: How Storytelling in Short-Form Videos Shape Discourses on Refugees in Canada—A Mixed Methods Approach
Notice bibliographique
Résumé
Despite the growing significance of TikTok as a platform for refugee narratives, substantial knowledge gaps remain in understanding its impact on public opinion, particularly in the Canadian context. This study investigates how refugee narratives on TikTok influence Canadian public opinion compared to traditional media. Employing a mixed-methods design, the research combines content analysis of 500 refugee created TikTok videos (2022–2024) with an experimental survey of 500 demographically stratified Canadians. The content analysis revealed that resilience (64%) and cultural hybridity (55%) dominated refugee narratives, with humor (42%), nostalgia (33%), and collaborative features like duets (29%) driving higher engagement (e.g., 21.3k views for duets). Trauma-centric or policy-critical content received significantly less visibility. The experimental survey exposed participants to TikTok videos, traditional media articles, or neutral content, measuring shifts via the Refugee Perception Index (RPI). TikTok exposure yielded substantial empathy gains and reduced threat perceptions (p < 0.001), whereas traditional media elicited marginal empathy increases and heightened threat perceptions. Regression analysis identified humor (β = 0.42), duets (β = 0.38), and nostalgia (β = 0.35) as key predictors of empathy. Younger and politically liberal participants exhibited stronger positive shifts. This study is significant as it shows promise for addressing knowledge gaps as it relates to how new media platforms shape refugee narratives globally.
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 | 0,004 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».