À bien y penser : l’effet du visionnement répété de vidéos sur l’opinion relativement à une intervention policière controversée
Bibliographic record
Abstract
La multiplication des appareils captant des images de la vie quotidienne permet maintenant de visionner et revisionner ce dont on n’entendait que parler par le passé. L’intervention policière est un bon exemple : lorsque disponible, l’enregistrement des interventions controversées est présenté à répétition, scruté à la loupe et commenté par une foule nombreuse et diverse. Une recherche exhaustive n’a toutefois pas permis de trouver d’études empiriques portant spécifiquement sur l’effet du visionnement répété sur l’opinion relativement à une intervention policière. Se basant sur la recherche existante sur d’autres objets, le présent article vise à tester l’effet du visionnement répété sur l’opinion quant à une intervention policière avec emploi de la force, le genre d’enregistrement susceptible d’attirer l’attention des médias et donc d’être vu par le grand public, et de générer des commentaires polarisés et polarisants. Deux enregistrements ont été présentés deux fois à 78 étudiants universitaires, à une semaine d’intervalle, de façon que leurs réponses puissent être liées. Les résultats laissent fortement entendre que le visionnement répété d’une vidéo a un effet sur l’opinion qu’on s’en fait : les participants avaient une opinion plus favorable envers l’intervention à la suite du deuxième visionnement.
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 | 0.019 | 0.095 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.022 | 0.003 |
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".