The World Cup, PSG, and Qatar : are sports diplomacy strategies efficient
Bibliographic record
Abstract
Depuis qu’il a obtenu les droits d’organisation de la Coupe du monde de football en 2010, le Qatar s’efforce de devenir un acteur majeur dans le domaine du sport. Bien que les responsables qataris aient déclaré que ces investissements visaient à diversifier l’économie et à promouvoir un mode de vie sain dans l’émirat, ils peuvent également être considérés comme des moyens de montrer sa puissance et de changer l’opinion internationale sur le pays. Bien que les motivations qui sous-tendent les investissements de l’État dans le sport aient été étudiées, aucune recherche n’a cherché à savoir si ces stratégies avaient des effets réels mesurables. À l’aide d’une analyse quantitative du contenu et d’une analyse de régression, nous cherchons à savoir si la stratégie de diplomatie sportive du Qatar a eu un effet sur la couverture du pays dans le New York Times entre 1980 et 2023. Notre étude suggère qu’en organisant davantage d’événements sportifs majeurs et en accueillant la Coupe du monde 2022, le Qatar a pu augmenter le volume et le poids de sa couverture dans le New York Times. D’autres éléments de la stratégie, comme l’achat du club de football français Paris Saint-Germain, n’ont pas eu d’effet sur la couverture médiatique du Royaume. En ce qui concerne la tonalité des articles, seule la Coupe du monde 2022 a eu un effet et a produit une couverture plus positive. Plus le Qatar s’est fait connaître, plus il a suscité une couverture négative, notamment en ce qui concerne le traitement des travailleurs immigrés qui construisent les infrastructures pour les évènements sportifs.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.027 | 0.002 |
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".