#Emotional: Exploitation & Burnout in Creator Culture
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 recent years, a growing list of content creators have published videos announcing that they are leaving YouTube, taking a break, or reducing their upload schedule (Alexander). Many of these young creators state that their decision resulted from burnout, caused by a relentless schedule and obsession with YouTube’s algorithm and analytics— tools essential to success on this highly competitive creative platform (Srnicek). Its opaque algorithm, however, induces anxiety; an affect described as that which “arises when the subject is confronted by the desire of the Other and does not know what object he is for that desire” (Evans 12). Here, the Other is conflated as both audience and algorithm, insofar as what videos trend or are recommended is a complex merging of user-engagement and vetting by the algorithm. Attempting to discover the desire of the Other, creators examine data to speculate about what content will gain the most views. While some creators opt to chase trends and use clickbait titles, others avoid the algorithm’s detection and suppression by omitting key words known to be flagged, while others embrace defeat and instead drive their channels using drama and negative affect (Berryman and Kavka). Drawing on Lacan’s psychoanalytic clinical structures and theory of anxiety, this article examines how each of these approaches to navigating the platform represents a neurotic and sometimes perverse response to the algorithmic Other that is influenced by a neoliberal notion of creativity that privileges growth over its socially transformative power (Mould).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle