MétaCan
Menu
Retour à la cohorte
Enregistrement W2887343948 · doi:10.1109/icc.2018.8422248

Uploader Motivations and Consumer Dynamics in the One-Click File Hosting Ecosystem

2018· article· en· W2887343948 sur OpenAlexaff
William Thomson, Aniket Mahanti, Mingwei Gong

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCopyright and Intellectual Property
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésFile sharingBitTorrentComputer scienceThe InternetNarrativeDynamics (music)Music industryWorld Wide WebInternet privacySociology

Résumé

récupéré en direct d'OpenAlex

Internet piracy is a significant ongoing problem for content producers and rights holders. Estimates of the cost of copyright infringement to the film and music industries range in the tens to hundreds of billions of dollars every year. The vast majority of this illegal content is shared using three key technologies: peer-to-peer (P2P) protocols such as BitTorrent, illegal file streaming, and one-click file hosting services (OCHs). The current dominant analogy for file- sharing, promoted by copyright holders and industry lobby groups, is one of 'copyright theft'; with content uploaders predominantly depicted as opportunists motivated by financial gain. Recently, academics from various disciplines have begun to question this narrative, proposing alternative models for understanding piracy based on the concept of the social or 'altruistic' sharer. In this paper, two OCH indexes were studied for insights into uploader dynamics. Results suggest that traditional understandings of Internet piracy are significantly limited in their ability to explain a number of aspects of the current OCH ecosystem. A significant number of uploaders are found to be behaving in ways that do not fit the traditional economic narrative; large numbers of users are making negligible money, and aggregate figures show a significant amount of uploaders are failing to take actions to appropriately maximise their hypothetical earnings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,004
Communication savante0,0040,007
Science ouverte0,0010,003
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,221
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCopyright and Intellectual PropertyTravaux en français237 207