MétaCan
Menu
Retour à la cohorte
Enregistrement W4232900969 · doi:10.32376/3f8575cb.c4726ee9

Searching for Oneself on YouTube

2021· book-chapter· en· W4232900969 sur OpenAlexafffund
Claire Balleys, Florence Millerand, Christine Thoër, Nina Duque

Notice bibliographique

Revuemediastudies.press eBooks · 2021
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueChild Development and Digital Technology
Établissements canadiensUniversité du Québec à Trois-RivièresUniversité du Québec à Montréal
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNational Science Foundation
Mots-clésSocializationPsychologySocial psychologyInternet privacyComputer science

Résumé

récupéré en direct d'OpenAlex

YouTube is the preferred online platform for today’s teenagers. As such, this article explores the relationship between socialization processes in adolescent peer culture and the meanings behind the production and reception of YouTube videos by teenage audiences. Two fields of enquiry comprise the data analyzed in this article. First, through content analysis, we studied the production of videos on YouTube by teenagers between the ages of 14 and 18. The discursive construction of an audience is expressed by YouTubers through intimate identity performances using specific, dialogical, and conversational modes. The second study investigated the reception of these videos by teenagers between the ages of 12 and 19 through the use of focus groups and in-depth interviews. The results explained the way young people develop a sense of closeness with YouTubers. When examined collectively, our studies reveal how teenage YouTube practices, both as production and reception of content, constitute a twofold social recognition process that incorporates a capacity to recognize oneself in others—like figures with whom one can identify with—and a need to be recognized by others as beings of value. The “intimate confessional production format,” as we have termed it, reinforces this bond.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,953
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,329
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemediastudies.press eBooksMême sujetChild Development and Digital TechnologyTravaux en français237 207