Table1_Power and Positivity: Psycholinguistic Perspectives on Word Valence in Canadian Parliament.pdf
Notice bibliographique
Résumé
<p>Politicians are skilled language users who deploy words strategically and pay close attention to the emotions that those words evoke. We examined the emotional characteristics of over 92 million words spoken by Canadian Members of Parliament between 2006 and 2021. The analysis brought together the Warriner, Kuperman, and Brysbaert (Behav. Res., 2013, 45, 1191–1207) database of valence (positivity) ratings for English and the Canadian Hansard, which contains a transcription of parliamentary speech. Results revealed that the positivity of words used by politicians in parliament was significantly related to both political and social variables. Politicians increased the positivity of their language after the onset of the COVID-19 crisis. Within the time of the crisis, word positivity was linked statistically to month-by-month case counts, indicating a very fine-grained sensitivity to social realities. Our analysis also revealed a fine-grained sensitivity of word valence to political realities. As expected, parties in power used more positive language than those in opposition. In addition, our analysis revealed that individual parties have characteristic levels of word positivity and that those levels change in accordance with political changes as specific as whether or not the party in power holds a majority of seats in parliament. These findings suggest that the emotional properties of words used by Members of Parliament are reliably indexed to sociopolitical dynamics. The findings also suggest that the methodology of linking individual word ratings to Hansard Documents (which are used to document Parliamentary activities in over 25 countries) can provide a key tool for the understanding of specific crises such as the COVID-19 global pandemic as well as more general social and political trends across countries and languages.</p>
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 | 0,001 | 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) | 0,652 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».