Using Big Data Tools and Techniques to Study a Gamer Community: Technical, Epistemological, and Ethical Problems
Notice bibliographique
Résumé
This paper discusses an exploratory approach taken by researchers in the fields of semiotics and communications in order to not only share a specific research experience, but also help build a research sector that combines game analytics with social sciences. The main objective of our research was to define parameters of digital identity within the framework of the study of an online video game player community. To this end, we examined several constitutive elements of digital identity, namely the effects of the “avatar” apparatus on the identity of users, online interactions, and the meaning of “living together” in the digital world. We used both qualitative and quantitative methodologies: a semiotic analysis of the game, a discursive analysis of the forum, semi-structured interviews, and an automated analysis of big data sets. In this paper we will focus on the automated analysis of big data sets, addressing two key points: the working method developed by the research team, and the achievement of the research objectives by merging quantitative and qualitative perspectives together. Following a summary of the research approach, this article will present the methodological, epistemological, and ethical difficulties that may be encountered in studying a player community with this type of research approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,170 | 0,272 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,014 | 0,014 |
| Études des sciences et des technologies | 0,007 | 0,026 |
| Communication savante | 0,019 | 0,026 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».