Elections, Institutions, and the Regulatory Politics of Platform Governance: The Case of the German NetzDG
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
Policy proposals for higher rules and standards governing how major user- generated content platforms like Facebook, Twitter, and YouTube moderate socially problematic content have become increasingly prevalent since the negotiation of the German Network Enforcement Act (NetzDG) in 2017. Although a growing body of scholarship has emerged to assess the normative and legal dimensions of these regulatory developments in Germany and beyond, the legal scholarship on intermediary liability leaves key questions about why and how these policies are developed, shaped, and adopted unanswered. The goal of this article is thus to provide a deep case study into the NetzDG from a regulatory politics perspective, highlighting the importance of political and regulatory factors currently under-explored in the burgeoning interdisciplinary literatures on platform governance and platform regulation. The empirical account presented here, which draws on 30 interviews with stakeholders involved in the debate around the NetzDG’s adoption, as well as hundreds of pages of deliberative documents obtained via freedom of information access requests, outlines how the NetzDG took shape, and how it overcame various significant obstacles (ranging from resistance from other stakeholders and the European Union’s frameworks against regulatory fragmentation) to eventually become law. The article argues, throughout this case study, that both domestic politics and transnational institutional constraints are crucial policy factors that should receive more attention as an important part of platform regulation debates.
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 | 0,000 | 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