Inequality within omnivorous knowledge: Distribution of Jeopardy! geography questions, 1984-2020
Notice bibliographique
Résumé
Inequalities in the availability, quality, quantity and perceived importance of knowledge are important axes of stratification. This article uses the popular trivia game show Jeopardy! as a case study to reveal how knowledge institutions can reflect and reinforce information inequalities. Using a database of 40,153 geography-related questions from Jeopardy! episodes from 1984-2020, this article maps and analyzes international inequalities in the quality, quantity and complexity of questions associated with different countries. High-income countries from regions closer to the United States are relatively prominent on Jeopardy!. Results reveal both between and within-region inequality, as even within less-prominent regions, representation is disproportionately concentrated in a small number of countries. Although underrepresented, more obscure countries and regions tend to be used in more difficult and higher-stakes questions, as constructing easy questions about places with little information is challenging. Geographic knowledge was fairly static over time; characteristics of countries selected for Jeopardy! questions exhibited little change over the 38-year database, despite historical changes occurring throughout the world over the time period. Unique hierarchies in the importance and value of knowledge exist within the omnivorous, highbrow institution of Jeopardy!, which strategically includes knowledge from broader societal corpuses from around the world. Textual analyses can reveal strengths, blind-spots and biases in the knowledge bases of knowledge institutions.
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 | 0,003 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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) | 0,004 | 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 ».