從美國反以色列學生運動 看見世代矛盾
中央廣播電台.2024年5月9日 22:53

近日,美國各地有關以巴衝突的學生示威活動愈演愈激烈,一些學生在校園搭起帳篷作為示威的營地,有部分學校請警察介入清場,把示威者的帳篷拆除並將其逮捕。迄今為止,已有二千多人因參與示威而被捕。

隨著畢業季的到來,許多大學正舉行期末考試和畢業典禮,但這場學生運動浪潮並未停止。在上週舉行的密西根大學畢業典禮,有幾十名學生在典禮上進行抗議行動,校方則試圖採取額外預防措施,讓學生移動到體育場後方自由抗議,整個過程沒有逮捕任何人。但也有一些學校因此而取消畢業活動。

學生與當權者可以如何對抗呢?事實上,美國史上共發生過4次大規模校園示威活動,包括1960年代的言論自由學運、1970年的反越戰、反種族不平等運動和1985年的反南非種族隔離政策運動,最終都有一定的政治影響力。雖然過往學運的背景和成因都不一樣,但它們都是推動社會變革的重要力量,特別是在挑戰現有政治、社會和文化的權力結構。

浮動歷史觀:沒有永遠的受害者?

在資訊傳播迅速的時代,我們如何討論受害者呢?與60年代社會一致的反戰氣氛相比,現代美國社會對以巴衝突有著不同世代的想法差異。根據哈佛大學美國政治研究中心(Center for American Political Studies,CAPS)在去年12月進行的民調顯示,不同年齡層對以色列與巴勒斯坦的觀點截然不同,18到24歲的「Z世代」年輕人,有過半認定猶太人整體而言是一個迫害者群體。但是,與年輕一代的年齡層看法不一樣,年紀愈長支持以色列的比例愈高。

以色列的猶太族群曾是歷史的受害者,他們曾失去了家園,又在二戰期間受到滅絕性的迫害,這種集體記憶讓以色列鞏固國族認同,令他們更勇於反抗來自周邊敵對國家的軍事威脅和恐怖主義,保衛自己的領土和政治權利。到近代的觀點中,常在網絡傳播的影片中看到許多巴勒斯坦平民被迫害,在佔領土的生活條件被剝奪,他們面對經濟困難、行動自由受限的困境,在國際法下的權利都被侵犯,以色列由受害者變成了加害者。

演算法與觀點形成訊息泡沫效應

在數位時代,社交媒體演算法對我們的訊息接收和觀點形成具有深遠的影響。Instagram和TikTok會透過分析用戶行為,如點讚、分享、觀看時間等,來推薦個性化內容,從而創建訊息泡沫,使用戶主要接觸到與自己觀點相符合的訊息。不同年齡層接受的訊息的來源亦有明顯的分野,比如長者較多會觀看電視新聞和閱讀報章,可能習慣觀看的某個廣播電台會持有某種立場的訊息過濾。

這種訊息過濾機制令人對公共議題的理解產生極端的分歧。例如,支持巴勒斯坦的用戶可能頻繁看到描繪巴勒斯坦苦難的內容,而支持以色列的用戶則更多接觸到強調以色列安全威脅的訊息。這不僅固化了既定觀點,也限制了對衝突多面性的理解。

許多國族之間的衝突有著錯綜複雜的因果關係。強調歷史觀的重要性,考慮多種不同的觀點有助形成更全面的歷史理解。在輕易接觸大量資訊的年代,我們也要學會如何批判性地分析和評估透過社交媒體接收到的訊息,避免簡化複雜的社會與政治動態,有助於推動更公正、更平衡的歷史和政治對話。

作者》甘甘 香港人,目前在台。寫在台見聞同時又會說起香港往事。

原始連結

更多中央廣播電臺新聞
外交部捐50萬美元 協助加薩地區人道救援
歐洲歌唱大賽即將登場 加薩戰爭陰影壟罩
拜登:以色列若大舉入侵拉法 美將停止提供武器

最新選舉新聞

最新選舉新聞

多元觀點

不同視角的媒體報導

守護 台灣

賴清德 發表 演說

韓國瑜 熊抱

立法院 國會 改革

賴清德 演說

創意 外交 釣蝦

太報
新頭殼
民眾日報
品觀點
日華懇率逾30名議員出席520 中國駐日大使怒批「日本公民將被拖入火海」
賴清德今(5/20)舉行就職典禮,日本跨黨派國會議員聯盟「日華議員懇談會」率31名議員出席觀禮,人數創史上最多的一次。不過,針對日華懇議員出席一事,中國駐日本大使吳江浩於20日指責「這是公然支持台獨勢力」、「日本公民將被拖入火海」等。
  • 資料來源:網路溫度計自2017年至今約累積28億則以上文章的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、Instagram、Dcard、以及包含Yahoo奇摩新聞、聯合新聞網、中時新聞網、ETtoday新聞雲、LINE TODAY、蘋果日報、自由時報、三立新聞網等約350家媒體網站上與選舉相關之政黨、候選人公開資料。
  • 分析方式:本模型分析方式非採傳統抽樣之民意調查,係將蒐集之資料庫予以分析,無母體數、樣本數限制。本模型係運用大數據關鍵引擎,透過深度學習與AI人工智慧技術,使用斷字切詞(Word Segmentation)、語意分析(Semantic Analysis) 、即時情緒分析(Real-Time Sentiment Analysis)等技術,汲取網路上相關討論文章,將文章分為正面、負面、中立三種情緒,計算網路聲量。
  • 跨世代劃分標準:本預測模型判別跨世代之依據,係以不同世代使用者之網路社群行為模式差異區辨。以不同社群網站之使用者世代臉譜數據為基礎,計算跨世代在不同社群聲量上的權重,綜合計算後得到世代好感度數據。
  • 名詞解釋
    • 網路聲量:透過「KEYPO大數據關鍵引擎」,計算社群討論及新聞報導提及的文章則數,聲量越高代表討論越熱,能見度越高。
    • 好感度分數:綜合評估網路聲量與網友語意情緒,分析各熱門候選人的網友評價。各熱門候選人的情緒、聲量皆經過標準化分數處理,得出好感度分數,再進行各縣市候選人彼此的比較,評量不僅需要聲量高,而且是好評要高,負評要低。好感度分數範圍在0-100分之間,分數越高,表示整體網友對於該位候選人的好感程度越佳。
  • 其他說明
    • 調查單位及主持人:大數據股份有限公司
    • 辦理時間:即日起至2022年11月16日止,逐日更新好感度數據。
    • 抽樣方式:本預測模型非抽樣之民調調查
    • 母體數:無母體數,請參考上述大數據資料庫的內容涵蓋範圍
    • 樣本數及誤差值:本預測模型非採用小樣本抽樣之民意調查,不適用抽樣誤差值
    • 經費來源:Yahoo奇摩、大數據股份有限公司