LOCATING AND THEORIZING PLATFORM POWER
Notice bibliographique
Résumé
This panel locates and theorizes platform power through five case studies, focussing on: 1) video sharing platforms, 2) app stores, 3) programmatic advertising networks, 4) labor staffing intermediaries, and 5) cloud computing. Each case study starts with the question: where do relations of dependence take shape on the examined platform(s) and how are these relations organized? Addressing this question, the panelists hypothesize that platform power is exerted, codified, and operationalized around particular infrastructural platform services, which enable specific economic activities, such as advertising, content sharing, data analysis, labor staffing and management, cloud hosting, and so on. Examining these services, the panelists specifically focus on the evolution of platforms. Infrastructural services, such as Facebook Reels or the Apple’s App Store each set standards and provide gateways for complementors–content and service providers, advertisers, data intermediaries, talent agencies–to access other institutional actors, data, and end-users. Yet, such services are also constantly adapted to local regulatory frameworks, to retain end-users and complementors, and to respond to competitors in platform ecosystems. In turn, such changes force complementors to adapt their own operations to continue offering their products and services through the platform. It is in these moments of change, when relations of dependence are reshuffled, that platform power becomes most visible. In combination, the five case studies will provide more detailed insights into how and where relations of dependence take shape in the platform ecosystem and how these relations evolve over time.
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 | 0,001 |
| 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 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 ».