Grindr? it’s a “Blackmailer’s goldmine”! The weaponization of queer data publics Amid the US–China trade conflict
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In March 2019, the Committee on Foreign Investment in the United States (CFIUS) identified Grindr, a hookup app that predominantly caters to men who have sex with men, as a “national security threat” and compelled the Chinese conglomerate Kunlun Tech to divest from it entirely. The CFIUS-Grindr ruling is indicative of larger regulatory debates over increasing datafication trends in the dating app industry. Through a political economy approach to communication, this paper examines how this ruling was predominantly constructed by various stakeholders as a public controversy in light of the ongoing US–China trade conflict. This interpretation of the controversy relies on a prejudicial trope that construes queer dating app users as vulnerable targets of potential blackmail schemes operated by Chinese intelligence agencies. Through the Lavender Scare, a historical period referring to state-led investigations into the presence of LGBTQ+ employees in Western federal workforces, this paper historicizes this blackmail trope to highlight how the politicization of queer vulnerabilities amid global hegemonic conflicts is a tactic that predates the US-China trade conflict. It argues that the CFIUS-Grindr ruling weaponizes Grindr’s queer data publics as threats against which the US government should protect itself, while failing to fully recognize the urgency for the state to protect the data privacy rights of the LGBTQ+ communities in the digital economy. In light of the CFIUS-Grindr ruling, this paper examines the implications that datafication raises for the LGBTQ+ communities whose sexual lives and identities are increasingly being datafied and exploited by digital media platforms.
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.
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 | 0,001 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle