Notice bibliographique
Résumé
Though massive amounts of digital trace data can be collected about how people and information connect online, the question of why they do so has been given less attention. This chapter addresses the spread of innovations and controversies by asking why some actors choose to connect to new issues while others do not? To answer this question, a new framework combining field theory with social network analysis (SNA) – online field theory – is proposed. Field theory suggests that actors in social spaces are unequal and strive to change this inequality, and SNA provides a framework for testing hypotheses emerging from field theory. The framework also draws some elements from actor-network theory (ANT), such as the incorporation of nonhuman actors, but – unlike ANT – empirically examining actor choices mandates the establishment of distinctions between the agency of different categories of actors. These different types of agency interact in mutually constitutive ways with field boundaries: while field structure is readily apparent in Web 1.0 organizational fields – such as the online environmental movement – the lack of information about actor identities in some Web 2.0 settings complicates field analysis. The chapter also examines how online field theory can provide insight into how Web 2.0 algorithmic governance, customization, and personalization are contributing to the emergence of online echo chambers. We define “filter bubbles” as online fields characterized by low contention and high homophily and outline how research into actor connection to innovation should approach them.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».