“And Today’s Top Donator is”: How Live Streamers on <i>Twitch.tv</i> Monetize and Gamify Their Broadcasts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article examines cultural and economic behavior on live streaming platform Twitch.tv, and the monetization of live streamers’ content production. Twitch is approximately the thirtieth most-viewed website in the world, with over 150 million spectators, and 2 million individuals around the world regularly broadcasting. Although less well-known than Facebook or Twitter, these figures demonstrate that Twitch has become a central part of the platformized Internet. We explore a seven-part typology of monetization extant on Twitch: subscribing, donating and “cheering,” advertising, sponsorships, competitions and targets, unpredictable rewards for viewers, and the implementation of games into streaming channels themselves. We explore each technique in turn, considering how streamers use the affordances of the platform to earn income, and invent their own methods and techniques to further drive monetization. In doing so, we look to consider the particular kinds of governance and infrastructure manifested on Twitch. By governance, we mean how the rules, norms, and regulations of Twitch influence and shape the cultural content both produced and consumed within its virtual borders; and by infrastructure, we mean how the particular technical affordances of the platform, and many other elements besides, structure how content production on Twitch might be made profitable, and therefore decide what content is made, and how, and when. Examining Twitch will thus advance our understanding of the platformization of amateur content production; methodologically, we draw on over 100 interviews with successful live streamers, and extensive ethnographic data from live events and online Twitch broadcasts.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle