L'influence de la musique sur les attitudes politiques
Bibliographic record
Abstract
Cette thèse par article tente de comprendre comment la musique, ce loisir présent dans la vie de tous les jours, peut influencer les attitudes politiques des individus. Cette question est examinée à travers quatre articles analysant les données recueillies d’une expérience, d’une enquête en ligne, d’une base de données et d’entretiens. Le premier article observe lors d’une expérience que l’utilisation de la musique dans les publicités politiques augmente positivement l’évaluation des politiciens présents dans ces publicités. Sur le court terme, la musique aurait une influence sur les attitudes politiques dans ce contexte précis. Le deuxième article suggère à travers un sondage en ligne administré auprès d’un échantillon québécois qu’un lien existe entre préférences musicales et attitudes politiques lorsque les préférences musicales portent sur des genres de musique politisés (rock, hip-hop, métal, folk). Le troisième article examine à l’aide d’entretiens réalisés avec des fans de métal, le lien entre l’identification à une sous-culture musicale et les attitudes politiques. Les résultats suggèrent qu’une identification forte à une sous-culture musicale politisée peut être associée aux attitudes politiques. Le dernier article s’intéresse aux choix des morceaux utilisés par les partis démocrates et républicains lors des conventions nationales. Les analyses révèlent que les démocrates diffusent plus de funk et d’artistes féminins ou issus de la diversité ethnique que les républicains, qui eux diffusent surtout de la musique country et des artistes d’origine caucasienne.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".