“Anti-Regime Influentials” Across Platforms: A Case Study of the Free Navalny Protests in Russia
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
The full-scale invasion of Ukraine by Russia in 2022 has put the future of the Russian opposition further at stake. The new limitations towards political, internet, and press freedoms have led to a severe disintegration of the anti-regime movement in Russia, including its leaders like Alexey Navalny. Digital platforms had previously hosted anti-Kremlin narratives online and played a role in the facilitation of Russian anti-regime protests. The latest scalable anti-regime rallies to date were the Free Navalny protests, caused by the imprisonment of Navalny in 2021. Digital platforms strengthened the voice of the Russian regime critics; however, their growing visibility online caused further suppression in the country. To understand this paradox, we ask<em> </em>which main anti-regime communicators were influential in the protests’ discussions on Twitter, YouTube, and Facebook, and how platform features have facilitated their influence during the Free Navalny protests. We develop a multi-platform methodological workflow comprising network analysis, social media analytics, and qualitative methods to map the Russian anti-regime publics and identify its opinion leaders. We also evaluate the cultures of use of platforms and their features by various Russian anti-regime communicators seeking high visibility online. We distinguish between contextual and feature cultures of platform use that potentially aid the popularity of such actors and propose to cautiously confer the mobilisation and democratisation potential to digital platforms under growing authoritarianism.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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