The Virtual Killing of Muslims: Digital War Games, Islamophobia, and the Global War on Terror
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
This article argues that digital war games communicate misleading stereotypes about Muslims that prop up patriarchal militarism and Islamophobia in the context of the US-led Global War on Terror. The article's first section establishes the relevance of the study of digital war games to feminist games studies, feminist international relations, and post-colonial feminism. The second section contextualizes the contemporary production and consumption of digital war games with regard to the “military-digital-games complex” and real and simulated military violence against Muslims, focusing especially on the US military deployment of digital war games to train soldiers to kill in real wars across Muslim majority countries. The third section probes “mythical Muslim” stereotypes in ten popular digital war games released between 2001 and 2012: Conflict: Desert Storm (2002), Conflict: Desert Storm 2 (2003), SOCOM U.S. Navy SEALs (2002), Full Spectrum Warrior (2004), Close Combat: First to Fight (2005), Battlefield 3 (2011), Army of Two (2008), Call of Duty 4: Modern Warfare (2007), Medal of Honor (2010), and Medal of Honor: Warfighter (2012). These games immerse players in patriarchal fantasies of “militarized masculinity” and place a “mythical Muslim” before their weaponized gaze to be virtually killed in the name of US and global security. The conclusion discusses the stakes of the stereotyping and othering of Muslims by digital war games, and highlights some challenges to Islamophobia in the digital games 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.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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