Is the News Always Negative? Using Deep Learning to Track News Sentiment During the Covid-19 Pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The news is notorious for its tendency to focus on negative events, giving rise to the adage, "If it bleeds, it leads." In this study, I examine whether news coverage during the Covid-19 pandemic mainly focused on negative events while downplaying positive developments such as decreasing Covid-19 cases. Utilizing a state-of-the-art fine-tuned language model, I analyzed the sentiment of over 900,000 Covid-19 related news articles from March 2020 to April 2022 across the United States, Canada, and the United Kingdom. The results indicate that the news is far more negative than positive—even when Covid-19 cases and hospitalizations are decreasing. This negativity is most pronounced in Op-Ed articles, front-page news articles, and articles published by large news organizations (e.g., New York Times, BBC, Fox News). However, non-Op-Ed news articles do become more positive as Covid-19 cases decrease, contradicting previous research findings. These discrepancies can be attributed, in part, to differences in model accuracy, as the model I trained is approximately 20% more accurate than other models used in the literature. Further, when dividing U.S. news by the publisher's political ideology, clear differences emerge: both left-wing and right-wing sources are much more negative than centrist news sources. Surprisingly, these differences in sentiment are about as large as the difference between regular news and Covid-19 news sentiment, indicating substantial differences in news reporting across political lines. These findings provide new insights into news reporting patterns during the pandemic and carry important implications for public health messaging and news reporting practices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle