Évolution des préjugés envers les personnes d'origine chinoise durant la COVID-19 : une étude longitudinale pancanadienne
Bibliographic record
Abstract
Les recherches suggèrent que les préjugés envers les personnes d’origine chinoise ont augmenté au cours des premiers mois de la pandémie de la COVID-19. L’étude présentée dans ce mémoire se base sur un premier postulat, selon lequel l’évolution des préjugés n’est pas univoque pour tous les individus. Le second postulat de cette étude établit que le contexte pandémique suscite des mécanismes psychologiques qui peuvent favoriser mais aussi contrer les préjugés. Le premier objectif vise à identifier l’hétérogénéité dans les trajectoires de préjugés. Le deuxième objectif vise à déterminer quelles catégories sociodémographiques sont associées aux différents groupes de trajectoires de préjugés (âge, genre, province de résidence, affiliation politique). Le troisième objectif vise à déterminer si les participants assignés aux différents groupes de trajectoires de préjugés diffèrent selon la menace économique et le statut identitaire. Une étude longitudinale a été conduite d’avril à décembre 2020 auprès d’un échantillon adulte représentatif de la population canadienne en vertu de l’âge, du genre et de la province de résidence (N = 3617). Les résultats suggèrent des trajectoires élevées et stables de préjugés ainsi que des trajectoires faibles et instables de préjugés. Les participants appartenant aux trajectoires élevées et stables rapportent une plus grande affiliation politique « de droite » et s’identifient à des groupes plus locaux. Les participants appartenant aux trajectoires faibles et instables rapportent une plus grande affiliation politique « de gauche » et s’identifient de manière plus globale et inclusive. Les résultats sont mitigés concernant l’âge et non significatifs concernant le genre, la province de résidence et la menace économique. Les implications théoriques et pratiques sont discutées.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".