DANGEROUS NEW TIKTOK TREND – Sensational Language! A Qualitative Discourse Analysis of TikTok and Facebook Through Similar Scandals
Notice bibliographique
Résumé
This study examines Canadian media coverage of TikTok and Facebook amid similar scandals: TikTok's ban from government devices in March 2023 and Facebook's whistleblower, Frances Haugen, scandal in October 2021. Using Bacchi's "What is the Problem Represented to Be" approach, a qualitative content study of 51 Canadian news stories (37 TikTok, 14 Facebook) was completed to see how the media talked about the associated scandals and risks of each platform. The results show that the majority of news coverage of TikTok in Canada was negative. It used sensational language, focused on the app's links to China, and framed it as a direct and intentional threat, particularly to youth. Facebook coverage, on the other hand, was less common overall, despite similar security concerns. It often represented the platform to be accidentally negligent instead of intentionally harmful. The differences are discussed through the framework of moral panic, youth-focused technopanics, and Canada's extensive history of both latent and outwardly expressed anti-Asian sentiment. The study shows how historical biases, geopolitical narratives, and youth moral panic potentially influence Canadian media’s use of sensational language, in turn impacting the coverage of social media platforms and potentially shaping public perception and policy in Canada.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,031 | 0,027 |
| Communication savante | 0,012 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».