Algorithms and taste-making: Exposing the Netflix Recommender System's operational logics
Notice bibliographique
Résumé
As the Streaming Wars continue to heat up, recommendation systems like the Netflix Recommender System (NRS) will become key competitive features for every major over-the-top video streamer. As a result, film and television production and consumption will increasingly be in the hands of semi-autonomous algorithmic technologies. But how do recommendation systems like the NRS work? What purposes do they serve? And what sorts of impacts are they having on film and television culture? To respond to these questions, this article will (1) examine how algorithms are impacting processes of taste-making and (2) re-evaluate some of the critical theoretical perspectives that have come to dominate the discourse surrounding algorithmic cultures. To do so, I join Bucher ((2016) Neither black nor box: Ways of knowing algorithms. In: S Kubitscko and A Kaun (eds) Innovative Methods in Media and Communication Research. Cham: Springer International Publishing, pp. 81–98; (2018) If…then: Algorithmic Power and Politics. London: Oxford University Press) in adopting a relational materialist perspective of algorithms and proceed to reverse engineer the NRS; an experiment that exposes the system’s circular and economic logics while highlighting the complex and networked nature of taste-making in the film and television industry.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».