Micro-ciblage et polarisation partisane lors de l'élection canadienne de 2015
Bibliographic record
Abstract
Cette recherche s’attarde à l’effet potentiellement polarisant des nouvelles techniques de micro-ciblage utilisées par les partis politiques. L’argument soulevé par plusieurs chercheurs, mais qui n’a pas été testé empiriquement, veut qu’en étant principalement soumis à des communications conformes à leurs idéologies ou sur des sujets qui les intéressent, les électeurs soient susceptibles de voir leurs croyances partisanes se renforcer. À l’aide des données de l’Étude électorale canadienne de 2015, l’analyse mesure l’influence des communications micro-ciblées sur les attitudes et comportements des électeurs ciblés en s’attardant au changement dans la force de leur identification partisane, à la distance qu’ils perçoivent entre les partis et à la consolidation de leurs choix électoraux durant la campagne. Devant l’absence dans la littérature d’une mesure satisfaisante du micro-ciblage, un nouvel indicateur est utilisé. Celui-ci décompose les communications des partis en s'appuyant sur les principaux critères utilisés pour micro-cibler les électeurs, soit la participation électorale anticipée et l'appui potentiel au parti lors de l'élection. Une méthode d’appariement (matching) est utilisée afin de contourner le biais de sélection ou l’endogénéité qui auraient pu apparaître dans les résultats. Si le micro-ciblage ne semble pas lié à la perception de différences entre les partis, les résultats montrent qu’il contribue à une légère augmentation de la force de l’identification partisane des électeurs, ainsi qu’à une consolidation de leurs choix électoraux. Le micro-ciblage peut donc être associé à une solidification de la base partisane des partis, ainsi qu’à une diminution de la probabilité que leurs partisans fassent défection.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.029 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".