Notice bibliographique
Résumé
Introduction Recognising the importance of the diffusion of ideas and learning to policy change, policymakers have utilised social tagging to pressure governments to propose new legislation or forestall existing bills (Ems, 2014; Jeffares, 2014; Saxton et al., 2015). Among the many examples seen in the last decade include the use of Twitter by the Chicago Health Departments to discourage electronic cigarettes (Harris et al., 2014), by politicians to frame healthcare (e.g. #Obamacare) (Hemphill, Culotta and Heston, 2013) or to protest a lack of action on climate change (Segerberg and Bennett, 2011). This chapter will focus on the connection between social tagging as it is understood in the online environment and its connection to the apparatus of the state. Research on the use of social tags for identifying important legislation, promoting scientific knowledge or consulting the public is a growing yet uncertain area of study (Harris et al., 2014; Jeffares, 2014; Kapp, Hensel and Schnoring, 2015; Shapiro and Hemphill, 2014, 2017). Still, the potential of the internet to help bridge the gap between citizens and the state continues to be both an aspiration and a disappointment for the field of internet governance. Social tagging in information science refers to ‘the practice of publicly labeling or categorising resources in a shared, on-line environment’ (Trant, 2009, 1). For sociologists, the novelty of social tagging lies in its public nature compared to more private forms of coding in sociological field work (see Postill and Pink, 2012), but for political scientists the public naming of resources is not new at all. Removing the term online from this definition does not erase a wide array of social organization that occurs on a daily basis. The rather arbitrary naming of items in the budgeting process of a government (e.g. for clean technology), in particular, involves public labelling and categorising of resources, conducted by members of affected organizations, political leaders, policy-makers and, in some cases, individuals with unique interest or power in the particular policy area. Social tagging itself is not a new process and is closely connected to the role of institutions in public life. In policy theory, institutions refer to systems of formal and informal rules and routines in a society that have accumulated over time.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 ».