Lingo-Entrainment: The Natural Language Surveillance Of Smartphone Users
Notice bibliographique
Résumé
<div><br></div><div>This thesis examines the neuro-cultural implications of: (1) language capture and commodification; and (2) neurological entrainment, two processes that I contend have coextensively emerged with the development of smartphones in a way that is profitable for major smartphone manufacturers and privileged third parties. The phrase “neurological entrainment” in this context refers specifically to the smartphone’s ability to exert affective behavioural control over smartphone users by altering their neurochemical states. I aim to situate this established neurological phenomenon alongside a less scrutinized transformation: that of the smartphone into a site of language-capture. By “language capture” I refer to the intake, collection and brokering of smartphone users’ natural language data and metadata. The goal of this thesis is to contextualize the interfusing of these entrainment and capture processes that cunningly form lucrative linguistic relationships between smartphone users and their devices. This study, through a comparative content analysis of data policies, privacy protocols, and privacy related promotional material pertaining to two major smartphone manufacturers (e.g., Apple and Samsung), substantiates the claim that the foundational documents of each device openly permit this productive union, with its doubled effect of neurological pacification and linguistic divestment. divestment. It also situates these findings within the grander lingo-entrainment systems that influence the future of our living language, and that coincide with Deleuzian premonitions about societies of control.<br></div>
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,003 |
| 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 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 ».