When digital capitalism takes (on) the neighbourhood: data activism meets place-based collective action
Notice bibliographique
Résumé
Recent social movement scholarship has highlighted the instrumental and material roles played by digital technologies in supporting collective action and new cultures of organizing. This research seldom considers the symbolic role of digital technologies and data. However, the extraction and exploitation of data, described as data colonialism, facilitate novel opportunities for capitalist expansion in the everyday. Extensive data appropriation and commodification have led to a growing interest in data activism which challenges dominant data politics. Focusing on the intersection of data activism and local organising of collective action, this article examines two cases of how Big Tech disrupts everyday life and becomes a grievance used for mobilisation. With these cases, we illustrate how protest campaigns react to Google’s aim to colonise both digital and physical spheres of life. The first case concerns the creation of a Google Campus in Berlin, while the second focuses on the Sidewalk Toronto urban development project led by the Google subsidiary, SideWalk Labs. Both projects were met with resistance comprising elements of data activism, mobilised as the Fuck Off Google and #blocksidewalk campaigns. Beyond rallying local discontent around impending gentrification and increased housing prices, the campaigns raised awareness about digital giants’ unethical data practices and underscored alternative human-centric technologies and data politics. Employing frame analysis, we elaborate on the intersecting dynamics of traditional, community-based grassroots mobilisation and data activism against Googlization and explore the potentialities and limitations toward contextualising collective action for (rather than in) the digital age.
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 | 0,001 |
| 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 | 0,007 | 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) | 0,000 | 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 ».