ANALYZING PLATFORM POWER: APP STORES AS INFRASTRUCTURAL PLATFORM SERVICES
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 paper examines how platform power is operationalized in the specific case of the iOS App Store. We take a first step in developing an analytical framework that critically examines the infrastructural power relations that constitute online platform ecosystems. Building on a relational understanding of power, we propose an analytical vocabulary to systematically interrogate the material power relations among the three main actors active in platform ecosystems: platform operators (e.g. Apple), third party institutions (e.g. app developers, businesses, governments), and end-users (i.e. individuals). To better differentiate among these three different actors in platform ecosystems, the paper proposes to study platform power at five expanding levels, similar to those of ecological ecosystems: individual actors, infrastructural platform services, company platform ecosystems, geopolitical platform ecosystems, and the global platform ecosystem. Studying infrastructural platform services, such as app stores, offers relevant insight into how globally operating platforms are able to set, steer, and bend rules and norms that impact individual actors on the local and national level. In the case of app stores, the paper shows that platform power is not casual or discursive, but highly strategic, uniform, and centralized. By interrogating the operationalization of platform power at the platform service level, the paper demonstrates that platform power is not a property of one platform itself, but a corollary of a platform’s function in the context of other platforms and actors in a dynamic ecosystem.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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