ANALYZING PLATFORM POWER IN THE CULTURAL INDUSTRIES
Notice bibliographique
Résumé
Across cultures and contexts, digital platforms like YouTube, TikTok/Douyin, WeChat, and Spotify are fundamentally reshaping both the processes and products of cultural production—from music and news to entertainment and advertising. But, despite considerable attention to the perverse power of algorithms in various spheres of social and economic life, we contend that existing political economic frameworks fail to account for the distinctiveness of the cultural industries. Challenging essentialist theories of platform dominance, this paper argues that claims of platform power need to be qualified in the context of industry- and culture-specific inquiries. Building on research in science and technology studies (STS), software studies, political economy, business studies, and media industries studies, the paper presents a new analytical framework to analyse the evolving power relationship between platforms and cultural producers. It is argued that the decision space of cultural producers in their role as platform complementors is shaped by three key variables: 1) platform evolution, 2) cultural industry segments, and 3) stages of production. The proposed framework makes clear that, while the relationship between platforms and cultural producers is staggeringly uneven and, at times, highly volatile, it should be understood as one of mutual dependence. That is, platforms exert mechanisms of power over the phases of the creation, distribution, monetization, and marketing of culture; but they also furnish space for negotiation and contestation. Acknowledging this requires a framework that is less deterministic and sensitive to the nuance inherent in cultural production.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».