Les réseaux sociaux contribuent-ils à la polarisation affective ? Une expérience comparant les utilisateurs de Facebook et Instagram
Bibliographic record
Abstract
Les médias sociaux augmentent-ils les niveaux de polarisation affective en renforçant l'animosité envers les partisans opposés ? Les recherches montrent que la polarisation affective est influencée par les niveaux croissants de polarisation idéologique des élites, mais également par l'évolution des systèmes médiatiques. Les plateformes de réseaux sociaux, où les utilisateurs sont plus enclins à être exposés à des informations conformes à leur prédisposition, pourraient agir différemment en fonction des caractéristiques architecturales telles que les algorithmes, les sections de commentaires et la présentation. Je présente une étude expérimentale dans laquelle environ 425 répondants du Québec ont été invités à suivre des comptes politiques préidentifiés en accord avec leur idéologie déclarée entre deux plateformes médiatiques – Facebook et Instagram. Les résultats révèlent que les traitements ont influencé la polarisation affective, mais que leurs effets sont modestes. Alors que les répondants assignés au traitement Facebook sont devenus légèrement plus polarisés affectivement, j'ai observé l'effet inverse pour ceux assignés au traitement Instagram. Ces résultats indiquent donc un modèle intéressant selon lequel différentes plateformes de médias sociaux pourraient avoir des effets distincts. Cette étude d'un mois, au cours de laquelle j'ai recréé des chambres d'écho administrées dans un environnement naturel, permet d’approfondir le fonctionnement des différentes plateformes médiatiques et la manière dont l'obtention d’information politique sur les réseaux sociaux pourrait affecter les sentiments des gens à l'égard de partisans opposés, mais également ceux qu’ils considèrent de leur in-group.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".