“Oh, She’s a Tumblr Feminist”: Exploring the Platform Vernacular of Girls’ Social Media Feminisms
Notice bibliographique
Résumé
As avid social media users, it is perhaps unsurprising that feminist teenage girls use their favorite platforms to engage in various forms of feminist activism. Yet, existing research has not explored how a growing number of social media platforms and their technological affordances uniquely shape how girls engage in online activism. I address this oversight by asking the following: Why are girls using particular platforms for feminist activism? How do certain platforms facilitate distinctive opportunities for youth engagement with feminist politics? and How might this shape the types of feminist issues and politics both made possible and foreclosed by some social media platforms? To answer these questions, I draw on ethnographic data gathered from a group of American, Canadian, and British teenage girls involved in various forms of online feminist activism on Twitter, Facebook, and Tumblr. These data were collected as part of two UK-based team research projects. Using the concept of “platform vernacular,” I analyze how these girls do feminism across these different platforms, based on discursive textual analysis of their social media postings and interview reflections. I argue that teenage girls strategically choose how to engage with feminist politics online, carefully weighing issues like privacy, community, and peer support as determining factors in which platform they choose to engage. These decisions are often related to distinctive platform vernaculars, in which the girls have a keen understanding. Nonetheless, these strategic choices shape the kinds of feminisms we see across various social media platforms, a result that necessitates some attention and critical reflection from social media scholars.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».