Lessons from #GamerGate: Complicating virtual harm and reassessing frameworks for virtual harm assessment
Notice bibliographique
Résumé
Beginning in summer 2014, a series of sustained misogynistic attacks against women in the video game industry coalesced online under #GamerGate. In this study I conduct a virtual ethnography of various online fieldsites hosting #GamerGate discussions, with the goal of complicating prevailing understandings of virtual harm. I draw from Feinberg (1987) to operationalize harm as that which damages an interest. I suggest that discourses in public policy, popular media and popular culture can oversimplify representations of virtual harm, theorizing an ontology of virtual harm that acknowledges a more nuanced range of factors that can impact how harm manifests within virtual contexts.I add complexity to prevailing narratives of #GamerGate by highlighting that users throughout my fieldsites consistently perceive a range of virtual behaviours, including criminal direct harassment (Lenhart et al., 2016) and the nonconsensual disclosure of private personal information, to be harmful. I submit that users' (infrequent) engagement in these "universal harms" is not, as prevailing representations of #GamerGate can suggest, reflective of community or cybercultural affiliation.I move forward to examine how users participating in #GamerGate discourses can disagree in their conceptualizations of virtual harm. Based on these points of contention, I draw from O'Sullivan and Flanagan's (2003) model for harm assessment to advocate in favour of a three tiered framework to assess virtual harm. I argue, as socio-legal scholars advocate, that this framework should include an assessment of subjective experience of harm. However, I depart from single-tiered frameworks to suggest that harm assessment should also consider how violations are perceived and given meaning within the context of particular communities and subcultures, and, additionally, authorial intent.Finally, I consider how notions of "the virtual" can impact how users perceive and make meaning of fantasy and reality. I highlight that users in my dataset tend to perceive virtual spaces as playful or fantastical, and are consequently less likely to perceive virtual harms as legitimately harmful. To account for these perceptions, I conclude by suggesting that virtual spaces can be theorized as an extension of Huizinga's (1938) "magic circle", adding a final layer of complexity to my more nuanced ontology of virtual harm.
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 | 0,067 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,003 |
| Études des sciences et des technologies | 0,018 | 0,161 |
| Communication savante | 0,029 | 0,046 |
| Science ouverte | 0,009 | 0,032 |
| Intégrité de la recherche | 0,009 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».