Identifier les prédicteurs importants de la participation au Black Lives Matter (BLM) pendant la pandémie de la COVID-19 : une analyse d'apprentissage automatique
Notice bibliographique
Résumé
Le Black Lives Matter (BLM) est un mouvement social militant contre les injustices raciales et ayant connu une augmentation historique de sa participation en 2020 lors de la crise socio-sanitaire de la pandémie de la COVID-19. La recherche portant sur le mouvement social s'est multipliée au cours de la dernière décennie, permettant d'identifier plusieurs facteurs politiques et psychologiques (par ex., l'orientation politique, l’identité ethnique, les attitudes envers les minorités ethniques) contribuant à expliquer le soutien pour - et la participation au- mouvement social. Cependant, les recherches antérieures n'ont généralement examiné qu'un nombre restreint de facteurs à la fois et ce, sans tenir compte de l’influence qu’un contexte de crise sociale, telle que la pandémie de la COVID-19, pourrait avoir sur la participation au BLM. Cette approche rend difficile le développement d'un portrait global de l'importance relative des prédicteurs, tout en négligeant l'étude de nouveaux prédicteurs potentiellement cruciaux dans le cadre de crises sociales à venir. Afin de répondre à ces limitations, la présente étude a employé une approche d'apprentissage automatique pour comparer l'importance de 25 potentiels prédicteurs démographiques, psychologiques, politiques et contextuels de la participation au mouvement BLM en 2020 dans le contexte de la pandémie de la COVID-19. Nos données proviennent d'une enquête longitudinale portant sur un large éventail de conséquences psychosociales de la pandémie de la COVID-19 parmi un échantillon représentatif de la population canadienne (N=3617) (de la Sablonnière et al., 2020). L'étude a confirmé l’importance de facteurs tels que l’orientation politique de gauche, des niveaux de préjugés ethniques peu élevés ainsi que l’identification en tant que personne racisée, tout en détaillant l’ordre d’importance de ces facteurs. Les résultats de notre étude ont également mis en évidence l'importance de prédicteurs démographiques, tels que l'âge, le genre et le statut d'immigration, ainsi que de prédicteurs liés au contexte de la pandémie de la COVID-19. Ces derniers comprenaient notamment les croyances conspirationnistes, la perception que la crise représentait une menace symbolique ainsi que la prise de conscience des impacts disproportionnés de la crise sur les groupes sociaux minoritaires.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».