Online propagation of emotions: A study of resharing dynamics on social media following celebrity suicides
Notice bibliographique
Résumé
Emotional contagion on social media, particularly following shocking and tragic events, often unfolds through widespread resharing, amplifying affective responses that are typically intense and negative. This study focuses on the context of celebrity suicides, which have the potential to trigger emotional contagion and lead to adverse behavioral outcomes, such as copycat suicides. Using an exhaustive Twitter dataset covering four celebrity suicides, we theorize the propagation of emotional content through a valence-arousal framework, distinguishing emotions based on affective valence (positive or negative) and physiological arousal (high or low). We analyze how distinct emotions embedded in tweets propagate through retweet cascades, treating each tweet and its retweets as a single cascade. Propagation is measured across four cascade dimensions: size, lifetime, speed, and burstiness. Emotions are extracted from over a million tweets and retweets using a BERT-based language model and are used as predictors in regression analyses of the propagation metrics. Our results show that emotional messages propagate in distinct ways after tragic events. Disgust emerges as the most contagious emotion, spreading quickly, widely, and with longevity, while fear, despite its arousal, spreads weakly. Anger and surprise generate fast but short-lived cascades marked by high burstiness. Joy, though less frequent, endures longer than neutral and negative content, reflecting resilience but with lower burstiness. These findings advance research on online emotional propagation by demonstrating that discrete emotions differ significantly even within the same valence-arousal characteristic. They also offer insights for public health strategies to mitigate risks linked to emotional amplification in digital environments.
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 | 0,000 | 0,000 |
| 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 ».