MétaCan
Menu
Retour à la cohorte
Enregistrement W2926899119 · doi:10.26522/ssj.v13i1.1845

Chokepoints: Global Private Regulation on the Internet

2019· article· en· W2926899119 sur OpenAlexaffvenueabout
Sara Bannerman

Notice bibliographique

RevueStudies in Social Justice · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueCybercrime and Law Enforcement Studies
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésThe InternetBusinessInternet privacyLaw and economicsEconomicsComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Google, eBay, GoDaddy and PayPal -intermediaries that now control huge swaths of the internet's search, marketplace, advertising, domain name, and payment activities -have become some of the leading threats to prospects for social justice.There have been significant victories in recent battles over the regulation of the internet, such as the 2012 "internet blackout" that stopped proposed American legislation that would have left web sites carrying intellectual property-infringing content vulnerable to total shutdown.Such victories are pyrrhic, as Natasha Tusikov's (2016) important book shows; effectively the same measures to shut down web services have been put in place anyway, without legislative oversight, through informal agreements between intellectual property owners, government officials, and internet intermediaries.Tusikov reveals that eight such agreements now regulate the internet, having been established privately through back room deals.Tusikov ( 2016) reveals in Chokepoints: Global Private Regulation on the Internet, that efforts to shut down Wikileaks by cutting off payment and domain services to the site launched a new phase in internet regulation; legislation would no longer be the primary tool of enforcement.Rather, a new wave of back room deals saw intermediaries agree to act as enforcers for corporate intellectual property owners.Through 90 interviews with government officials, corporate actors, and civil society groups in the US, UK, Australia, and Canada, Tusikov traces the establishment of the secret

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,746
Score d'incertitude au seuil0,341

Scores Codex et Gemma par catégorie

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

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 Opus0,049
Tête enseignante GPT0,341
Écart entre enseignants0,291 · 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 tête enseignante, 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

Citations2
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueStudies in Social JusticeMême sujetCybercrime and Law Enforcement StudiesTravaux en français237 207