FEMME LIFE ON THE SCREEN: ONLINE METHODS FOR SUBCULTURAL RESEARCH ANDSURVIVAL
Notice bibliographique
Résumé
In this presentation, I will share key findings from my dissertation research on femme internet culture. Following the conference theme, this presentation will focus on the use of online methods for documenting subcultural life, and online subculture’s ability to make life more liveable for marginalized subjects. In this project, I define “femme” as a queer identity that is marked by a critical and political engagement with femininity that manifests through one’s style and values. I used Ulrika Dahl’s (2011) femme-inist ethnography methodology to conceptualize a study of “one’s own community.” In this presentation, I will focus on key findings about femme memes and online femme networks. My research demonstrates that through a study of a subculture’s memes, we can come to learn much about the group’s values, norms, and boundaries. Memes allow individuals to see one’s self, identity, or experiences reflected, or be “in on the joke.” Femmes recognize the experiences specific to femme subjectivity (ie. femme invisibility) communicated through memes and feel a sense of connection with one another. In addition, my research offers further evidence of the value of online communities for marginalized subjects. The femmes in my study used online connections to combat geographical isolation, create intergenerational bonds, and even find a reason to stay alive. My research shows that the technological affordances of Instagram continue to make online communities valuable. In addition, online methods are valuable tools to develop deeper insight into existing subcultures, especially those that are marginalized in more mainstream and/or public arenas.
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 | 0,005 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».