AUTHENTIFICATION AT THE EDGE: #”GAMERGATE”-ING THE ASCENT OF THE VERIFIED INTERNET
Notice bibliographique
Résumé
While platforms may be hard to know, they are increasingly invested in knowing—and policing— users. From “verified accounts” to “two-factor authentication,” platform affordances have proffered metrics of “authenticity” as an antidote to the uncertainties of attention economies, which are ostensibly saturated by fake news, misinformation, and algorithmic radicalization (Haimson & Hoffman, 2016; Caplan, 2020). Yet the platformization of realness claims are often weaponized against the most marginalized, as evidenced by recent events like PornHub’s demonetisation of unverified accounts. Early hashtag harassment events like #GamerGate foreshadowed the gendered consequences of digital realness regimes. In the ascent of “verified account” castes and other digital authenticators, the traditional “black box” conceptualization of platforms rings increasingly untrue. Rather, we argue, the algorithmic reality for marginalized users better resembles Wile E. Coyote’s painted tunnels on the side of mountains: vortexes of selective porosity that invite some roadrunners and flatten others. Through a Critical Discourse Analysis of #GamerGate coverage from 2014 and 2015, we attend to how ideologies of “realness” reproduce along gendered and racialized lines. Our paper builds on recent work on how the ideation of “realness” embeds forms of communicative and audience-managing labour among networked creators (Abidin 2016; Banet-Weiser, 2012; Duffy, 2017). The ascent of “authentification-as-safety is historicized within the hashtag harassment event “GamerGate,” our case study and pivotal moment in the platform veracity ecosystem when influencers and journalists were exhorted to authenticate their lives or lose their livelihoods. Everyone on the internet knows you’re a dog. Now what?
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».