MétaCan
Menu
Retour à la cohorte
Enregistrement W2990357181 · doi:10.1177/2056305119881694

“And Today’s Top Donator is”: How Live Streamers on <i>Twitch.tv</i> Monetize and Gamify Their Broadcasts

2019· article· en· W2990357181 sur OpenAlexaff
Mark R. Johnson, Jamie Woodcock

Notice bibliographique

RevueSocial Media + Society · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Games and Media
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMonetizationAdvertisingAffordanceBusinessComputer scienceEconomics

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,007
Communication savante0,0070,007
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,247
Écart entre enseignants0,233 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations126
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSocial Media + SocietyMême sujetDigital Games and MediaTravaux en français237 207