DIGITAL CULTURES OF CARE, SAFETY AND WELLBEING
Notice bibliographique
Résumé
Practices of self-care and social support have long been identified across social media platforms and apps, as people find new ways of using and adapting digital technologies to mediate and address personal and public health issues. But digital health participation is considerably contested and unevenly experienced, whether through the commodified ‘platformization’ of the health sector, or in the potentially ‘unhealthy’ engagement with dominant social media platforms or dating and hookup apps. Contemporary policy frameworks for participatory, digital-enabled healthcare (e.g., NHS, 2019) assume that we all engage in health or help seeking practices online, but have no answers to associated risks of over-exposure, invasive health surveillance or experiences of discrimination and harassment online, particularly for those at the margins. In our case studies, this is pertinent for transgender, non-binary and female hookup app users, people seeking support for mental ill-health, illicit drug users participating in crypto-markets and dark web communities. In response to this scenario, this panel asks: what are the forms and capacities for collective care in the current digital ecosystem, between social media platforms and dating apps struggling to address harassment or mental wellbeing, within health service-supported online forums, and across the dark web? This panel looks at evidence and answers, as well as research practices and ethics, to understand personal and collective attempts to negotiate, manage, circumvent and otherwise find ways to reinvent cultures of care through digital platforms.
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 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 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».