Big Data and surveillance: Hype, commercial logics and new intimate spheres
Notice bibliographique
Résumé
Big Data Analytics promises to help companies and public sector service providers anticipate consumer and service user behaviours so that they can be targeted in greater depth. The attempts made by these organisations to connect analytically with users raise questions about whether surveillance, and its associated ethical and rights-based concerns, are intensified. The articles in this special themed issue explore this question from both organisational and user perspectives. They highlight the hype which firms use to drive consumer, employee and service user engagement with analytics within both private and public spaces. Further, they explore extent to which, through Big Data, there is an attempt to expand surveillance into the emotional registers of domestic, embodied experience. Collectively, the papers reveal a fascinating nexus between the much-vaunted potential of analytics, the data practices themselves and the newly configured intimate spheres which have been drawn into the commercial value chain. Together, they highlight the need for conceptual and regulatory innovation so that analytics in practice may be better understood and critiqued. Whilst there is now a rich variety of scholarship on Big Data Analytics, critical perspectives on the organising practices of Big Data Analytics and its surveillance implications are thin on the ground. Combined, the articles published in this special theme begin to address this shortcoming.
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 | 0,027 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,011 | 0,113 |
| Communication savante | 0,042 | 0,058 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,007 | 0,018 |
| 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 ».