¿Afecta la exposición a tweets sexistas al desarrollo de actitudes negativas hacia las mujeres? Un estudio conductual.
Bibliographic record
Abstract
Este estudio investiga el impacto de la exposición a contenido sexista en redes sociales en el desarrollo de actitudes negativas hacia las mujeres. Participaron 50 personas, distribuidas aleatoriamente en dos condiciones: exposición a tweets con contenido sexista vs. exposición a tweets con contenido no sexista. En ambas condiciones se evaluaron tres escenarios: sexismo benévolo, sexismo hostil explícito y sexismo hostil implícito. Los participantes debían valorar en cada uno de los escenarios: (1) la presencia de comportamientos sexistas, (2) la intención de conducta y (3) el grado de culpabilización atribuida a la víctima. Además, se administró la Escala de Identidad Social Feminista (FSIS) adaptada (Poll & Critchley, 2023). Los participantes expuestos a tweets sexistas identificaron en menor medida la conducta sexista presente en el escenario de sexismo benévolo, en comparación con los expuestos a tweets no sexistas. Luego, independientemente del tipo de tweets a los que fueron expuestos, la intención de intervenir fue mayor en los escenarios de sexismo hostil implícito y la victimización menor en los escenarios de sexismo hostil explícito. Por último, la Identidad feminista moduló la capacidad de reconocer las situaciones como sexistas y redujo la probabilidad de culpabilizar a las víctimas.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".