“Do I Look Like My Selfie?”: Filters and the Digital-Forensic Gaze
Notice bibliographique
Résumé
Filtered faces are some of the most heavily engaged photos on social media. The vast majority of literature on selfies have focused on self-reported practices of creating and posting selfies and how subjects view themselves, but research on using filters and the kinds of looking filter provoke is underexplored. Part of a larger project, this analysis draws from a study using photo-elicitation techniques to discuss selfie filters with 12 focus groups, exploring the dominant discourses of cis-gendered looking within digital sociality. We explore how participants edit their selfies, imagine potential audiences, interact with, and perceive the filtering behaviors of others, asking what the “work” of filters is, visually and socially. We probe the kinds of discourses filters participate in, and their gendered and affective dimensions. Our focus groups indicate that when looking at the selfies of others there is often an a priori assumption that filtering has been applied, whether conspicuously or not, to the extent that visual tune-ups have become central to the genre itself. As such, we explore the ambivalence and anxiety about authenticity that filters produce, as well as the intense looking practices aimed at decoding the legitimacy of images. We posit that filters are part of a digital ecosystem that demands an intensification of looking practices, which produce and enhance specific forms of objectification directed toward selves and others within digital environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».