Identifier les prédicteurs importants de la participation au Black Lives Matter (BLM) pendant la pandémie de la COVID-19 : une analyse d'apprentissage automatique
Bibliographic record
Abstract
Le Black Lives Matter (BLM) est un mouvement social militant contre les injustices raciales et ayant connu une augmentation historique de sa participation en 2020 lors de la crise socio-sanitaire de la pandémie de la COVID-19. La recherche portant sur le mouvement social s'est multipliée au cours de la dernière décennie, permettant d'identifier plusieurs facteurs politiques et psychologiques (par ex., l'orientation politique, l’identité ethnique, les attitudes envers les minorités ethniques) contribuant à expliquer le soutien pour - et la participation au- mouvement social. Cependant, les recherches antérieures n'ont généralement examiné qu'un nombre restreint de facteurs à la fois et ce, sans tenir compte de l’influence qu’un contexte de crise sociale, telle que la pandémie de la COVID-19, pourrait avoir sur la participation au BLM. Cette approche rend difficile le développement d'un portrait global de l'importance relative des prédicteurs, tout en négligeant l'étude de nouveaux prédicteurs potentiellement cruciaux dans le cadre de crises sociales à venir. Afin de répondre à ces limitations, la présente étude a employé une approche d'apprentissage automatique pour comparer l'importance de 25 potentiels prédicteurs démographiques, psychologiques, politiques et contextuels de la participation au mouvement BLM en 2020 dans le contexte de la pandémie de la COVID-19. Nos données proviennent d'une enquête longitudinale portant sur un large éventail de conséquences psychosociales de la pandémie de la COVID-19 parmi un échantillon représentatif de la population canadienne (N=3617) (de la Sablonnière et al., 2020). L'étude a confirmé l’importance de facteurs tels que l’orientation politique de gauche, des niveaux de préjugés ethniques peu élevés ainsi que l’identification en tant que personne racisée, tout en détaillant l’ordre d’importance de ces facteurs. Les résultats de notre étude ont également mis en évidence l'importance de prédicteurs démographiques, tels que l'âge, le genre et le statut d'immigration, ainsi que de prédicteurs liés au contexte de la pandémie de la COVID-19. Ces derniers comprenaient notamment les croyances conspirationnistes, la perception que la crise représentait une menace symbolique ainsi que la prise de conscience des impacts disproportionnés de la crise sur les groupes sociaux minoritaires.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".