MétaCan
Menu
← Retour à la cohorte
Enregistrement W7132985893

Prejudice Reduction through Intergroup Contact on Social Media

2023· dissertation· W7132985893 sur OpenAlexaff
Joel Le Forestier

Notice bibliographique

RevueTSpace · 2023
Typedissertation
Langue
DomaineSocial Sciences
ThématiqueSocial and Intergroup Psychology
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPrejudice (legal term)Social mediaContext (archaeology)Set (abstract data type)Social distanceContact hypothesisContact theorySocial contact
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Reducing prejudice has long been a central pillar of efforts to improve intergroup relations. Intergroup contact (i.e., fostering positive interactions between members of different groups) is arguably the most reliably effective tool for prejudice reduction known to social scientists. Yet, major challenges inherent to studying and applying intergroup contact hold it back from readiness for practical application at scale and in the real world. Because it is so widely used and allows for low- or no-cost, scalable intervention, I propose that using social media to study intergroup contact may help us push contact research forward to applied readiness. I therefore present a set of studies developing, validating, and testing an approach to using intergroup contact in the context of social media to intervene to reduce prejudice. In Study 1, I find that intergroup contact on social media is associated with less prejudice and more positive intergroup outcomes in a similar way as intergroup contact that takes place in-person. In Study 2, I find that the associations can be observed longitudinally and using behavioral variables collected in the field (i.e., on participants’ real Twitter accounts). In the Study 3 Pilot, I find that manipulating the racial demographics of accounts posting to participants’ real Twitter feeds impacts how much intergroup contact they subjectively experience on Twitter. Finally, in Study 3, I find that manipulating the racial demographics of accounts posting to participants’ real Twitter feeds may have a causal effect on their racial prejudice, but only when participants were interested in the content that was posted. These results suggest that a no-cost, scalable intervention strategy for reducing prejudice and improving intergroup relations through intergroup contact on social media may be effective. They also speak to the need for interventionists to attend to participants’ interests and motivations, particularly in field settings. Open materials and data for all studies and pre-registrations for Studies 2 and 3 can be found on the Open Science Framework: https://osf.io/jz8hm?view_only=64ac338f0a49482194df29149157180e.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,089
Tête enseignante GPT0,450
Écart entre enseignants0,361 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpace→Même sujetSocial and Intergroup Psychology→Travaux en français237 207→