Сінофобія та кіберагресія в умовах глобального виклику COVID-19: комунікаційні аспекти
Notice bibliographique
Résumé
<strong>Vovkoboi A., Butyrina M. COVID-19 vs Globalization: how ethnic Chinese became victims of verbal cyber aggression</strong> This article deals with the phenomenon of verbal cyber aggression that occurred due to the COVID-19 pandemic. Presently, Chinese immigrants all over the world are being mistreated and blamed for the spread of the new coronavirus. Social media platforms are filled with the racist posts encouraging various forms of discrimination. Therefore, the investigation of the online toxicity levels is a highly topical issue, especially in the USA, the United Kingdom and Canada, which are English-speaking countries with the highest rates of total confirmed COVID-19 cases. More than 2000 comments on the twits of D. Trump, B. Johnson and J. Trudeau were obtained by using the content analysis method. By applying the descriptive and comparative methods the specific aspects of the racist expressions were considered. Within the analyzed examples, the levels of toxicity were found to vary from 4 % (UK) to 13 % (CAN) and to 48 % (USA). Even though these levels seem to be below the average, the tendencies of their growth are quite alarming. The study novelty lies in the analysis of the present-day racism outburst and means of its spread. Practical significance of this study implies a possibility of usage of its findings for further research and analysis – both theoretical and practical.
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 | 0,002 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,020 |
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 ».