FAKE POPULARITY FOR REAL MONEY: COMMERCIAL ASTROTURFING AND DATA BUBBLE ON CHINESE DIGITAL PLATFORM
Notice bibliographique
Résumé
This on-going research delineates the constructing of an interlocking ecosystem around popularity magnification on popular Chinese digital platforms, which we refer as “data bubble”. Similar to the bubble in a stock market or in real estate market in different economies where the price of assets substantially exceeds its intrinsic value, we propose “data bubble” as a neologism to describe the phenomenon and ecosystem of manipulating data to aim for an inflated popularity on Chinese digital platforms, which ultimately pitch to higher commercial and financial values. We argue that data bubble is laced with platform company’s commercial and financial imperatives, logics of datafication and popularity of platform as data infrastructure, and active participation from different user groups and complementors, and a deeply embedded mentality of “traffic is king”. It is achieved through mixed data practices including data optimization, commercial astroturfing, and counterfeit data manufacturing behind which a wide range of actors and entities are involved. They range from platforms, individual end users (fans in particular), influencers, multi-channel networks (MCNs) and incubators, celebrities and their agencies, click farms, and advertisers—all of them have achieved their own ends and thus actively participated in fabricating data bubble in one way or another. The practices of data manipulating and optimization by different participants in constructing data bubble, as a result, have driven the data metrics on Chinese platforms far over—and no longer representative of—the actual popularity.
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 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».