Before #MeToo: Violence against Women Social Media Work, Bystander Intervention, and Social Change
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
High-profile, social-media-fueled movements such as #MeToo have captured broader public attention in recent years and sparked widespread discussion of violence against women (VAW). However, online prevention work was underway in the years leading up to #MeToo, as the emergence and proliferation of social media enabled individuals to be increasingly active participants in shaping conversations about VAW. Situated within feminist VAW scholarship and the social–ecological framework of violence prevention, this paper draws from interviews with a cross-section of service providers, public educators, activists, advocates, writers, and researchers to analyze “conversation” as a central theme in VAW prevention work in social media. Results reveal that these conversations take place in three central ways: (1) engaging wider audiences in conversations to raise awareness about VAW; (2) narrative shifts challenging societal norms that support or enable VAW; and (3) mobilization around high-profile news stories. The paper finds that, through these conversations, this work moves beyond individual-level risk factors to target much needed community- and societal-level aspects, primarily harmful social norms that circulate and become reinforced in digital media spaces. Moreover, while bystander intervention has traditionally been approached as an offline pursuit to intervene in face-to-face situations of VAW, this paper argues that we can understand and value these VAW prevention efforts as an online form of bystander intervention. Finally, resource challenges and VAW prevention workers’ experiences of harassment and abuse related to their online work highlights a need to strengthen social and institutional supports for this work.
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 | 0,001 | 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 | 0,001 | 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