MétaCan
Menu
Retour à la cohorte
Enregistrement W2913772531 · doi:10.1177/2056305118819188

Discoverability: Toward a Definition of Content Discovery Through Platforms

2019· article· en· W2913772531 sur OpenAlexafffund
Fenwick McKelvey, Robert L. Hunt

Notice bibliographique

RevueSocial Media + Society · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensConcordia University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésDiscoverabilityComputer scienceWorld Wide WebProcess (computing)Digital contentContent (measure theory)Data science

Résumé

récupéré en direct d'OpenAlex

Discoverability is a concept of growing use in digital cultural policy, but it lacks a clear and comprehensive definition. Typically, discoverability is narrowly defined as a problem for content creators to find an audience given an abundance of choice. This view misses the important ways that apps, online stores, streaming services, and other platforms coordinate the experiences of content discovery. In this article, we propose an analytical framework for studying the dynamic and personalized processes of content discovery on platforms. Discoverability is a kind of media power constituted by content discovery platforms that coordinate users, content creators, and software to make content more or less engaging. Our framework highlights three dimensions of this process: the design and management of choice in platform interfaces (surrounds), the pathways users take to find content and the effects those choices have (vectors), and the resulting experiences these elements produce. Attention to these elements, we argue, can help researchers grapple with the challenging mutability and individualization of experience on content discovery platforms as well as provide a productive new way to consider content discovery as a matter of platform governance.

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)0,010
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0100,007
Études des sciences et des technologies0,0090,049
Communication savante0,0300,059
Science ouverte0,0040,014
Intégrité de la recherche0,0080,008
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,294
Écart entre enseignants0,199 · 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'étudeThéorique ou conceptuel
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

Citations98
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSocial Media + SocietyMême sujetDigital Marketing and Social MediaTravaux en français237 207