The Roots of Affective Polarization: Citizens' Use of Cognitive Shortcuts in a Comparative Perspective.
Notice bibliographique
Résumé
Au cours de la dernière décennie, la littérature scientifique s’est fortement intéressée au concept de polarisation affective, qui décrit le phénomène où les groupes partisans se détestent de plus en plus. L’une des questions de recherche ayant reçu le plus d’attention concerne les causes de ce phénomène et deux théories dominent les débats. La première souligne l’importance des groupes sociaux en affirmant que la polarisation affective résulte du déclin des identités partisanes transversales. Ce déclin se constate dans l’augmentation de la concentration des groupes sociaux au sein de l’électorat de certains partis, rendant ainsi plus apparentes les alliances entre groupes sociaux et partis politiques et permettant aux citoyens de projeter leurs évaluations affectives des groupes sur les partis au sein desquels ceux-ci se regroupent. Face à cette interprétation, une autre théorie met l’accent sur les enjeux politiques, avançant que la croissance de la polarisation idéologique augmente l’écart entre les bénéfices que les électeurs peuvent attendre des partis politiques, ce qui augmente l’écart entre leurs évaluations affectives de ces partis.Je développe dans cette thèse l’argument que la distinction entre les deux théories devient nettement plus floue lorsque l’on prend en compte les limites cognitives des individus. En mettant en lumière le rôle des heuristiques dans la manière dont les citoyens traitent l’information politique, cette thèse illustre la difficulté qu’ont ceux-ci à distinguer entre les expressions d’appui envers les groupes sociaux et les engagements politiques des élites partisanes, utilisant ces deux éléments d’information de manière interchangeable. Ce mode de réflexion est appelé « mécanisme heuristique » dans cette thèse.Trois études empiriques sont présentées afin d’étayer cet argument. Les deux premières présentent les résultats d’études expérimentales réalisées sur des participants canadiens et démontrent la difficulté qu’ont les citoyens à distinguer entre les engagements de politique publique des partis et leurs expressions de support à l’égard de groupes sociaux, appuyant ainsi l’utilisation du mécanisme heuristique. Une troisième étude utilise des données observationnelles afin d’étudier les tendances au niveau de la polarisation affective en Europe de l’Ouest et constate que les deux théories développées au sein de la littérature, soit l’approche centrée sur les groupes sociaux et celle centrée sur les politiques publiques, apparaissent être probables dans le contexte européen. Cela dit, les résultats d’une analyse de grappes (clustering) testant l’applicabilité dans ce contexte de la distinction binaire basée sur l’identification partisane afin d’identifier le groupe d’appartenance (in-group) des électeurs offrent un soutien clair en faveur d’une approche plus englobante qui permet à plusieurs partis de faire partie du groupe d’appartenance.Prise dans son ensemble, cette thèse offre d’importantes contributions théoriques et méthodologiques à l’étude de la polarisation affective. Elle illustre comment les réactions affectives des électeurs ne sont pas immunisées vis-à-vis des limitations cognitives qui sont omniprésentes dans la manière dont les citoyens traitent l’information politique à laquelle ils sont exposés. Ce faisant, cette thèse souligne qu’il est important que nos théories rendent compte de ces limitations, sans quoi elles risquent de présenter une version sursimplifiée de la réalité qu’elles souhaitent expliquer et ainsi nous induire en erreur. Parallèlement, la nature comparative de cette étude démontre que le concept de polarisation affective a une forte valeur heuristique dans un large éventail de cas, bien que son opérationnalisation bénéficie grandement d’un ajustement afin de rendre compte de la différente nature de la compétition partisane dans les systèmes multipartites des démocraties occidentales hors-États-Unis
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,025 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».