Gendered and Racialized Online Incivility in Four Dimensions
Notice bibliographique
Résumé
Candidates for political office frequently face online incivility and abuse. Research consistently finds that incivility and abuse can hinder the full political participation for women, and especially racialized women. However, there are competing theories and contradictory findings about precisely how gender and race shape online incivility. Much research focuses on how gender and race affect the volume of uncivil messages. This chapter extends that work to highlight other crucial dimensions of online incivility. We propose a framework to encompass all relevant characteristics of online incivility, which include: (1) frequency of incivility, (2) qualitative forms, (3) targeting and distribution, and (4) interaction with offline discrimination and threats. This emerged from an analysis of 969,308 tweets from the 2019 Canadian election and in-depth interviews with 31 candidates and campaign staff. We show that while candidates’ gender and race do not necessarily predict the volume of online incivility, women and racialized candidates do face more misogynist and racialized incivility. We also find some misogynist and racist content is directed at prominent male and/or white candidates’ accounts in apparent efforts to disseminate these discourses more broadly. Finally, given the realities of online abuse in Canada, this chapter suggests how to better support candidates and politicians.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».