Queer women’s experiences of patchwork platform governance on Tinder, Instagram, and Vine
Notice bibliographique
Résumé
Leaked documents, press coverage, and user protests have increasingly drawn attention to social media platforms’ seemingly contradictory governance practices. We investigate the governance approaches of Tinder, Instagram, and Vine through detailed analyses of each platform, using the ‘walkthrough method’ (Light, Burgess, and Duguay, 2016 The walkthrough method: An approach to the study of apps. New Media & Society 20(3).), as well as interviews with their queer female users. Across these three platforms, we identify a common approach we call ‘patchwork platform governance’: one that relies on formal policies and content moderation mechanisms but pays little attention to dominant platform technocultures (including both developer cultures and cultures of use) and their sustaining architectures. Our analysis of these platforms and reported user experiences shows that formal governance measures like Terms of Service and flagging mechanisms did not protect users from harassment, discrimination, and censorship. Key components of the platforms’ architectures, including cross-platform connectivity, hashtag filtering, and algorithmic recommendation systems, reinforced these technocultures. This significantly limited queer women’s ability to participate and be visible on these platforms, as they often self-censored to avoid harassment, reduced the scope of their activities, or left the platform altogether. Based on these findings, we argue that there is a need for platforms to take more systematic approaches to governance that comprehensively consider the role of a platform’s architecture in shaping and sustaining dominant technocultures.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,007 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».