The Evolution of #MeToo: A Comparative Analysis of Vernacular Practices Over Time and Across Languages
Notice bibliographique
Résumé
Drawing from a thematic analysis of 960 tweets for English, 960 tweets for German, and 753 tweets for Mandarin, this article explores how the #MeToo movement was taken up and used in different ways in the first 12 months. The article achieves this by drawing on the concept of platform vernacular, identifying three new, at times overlapping, vernacular practices: spotlighting, interconnectivity, and meta conversations. We argue that these vernacular practices function more than simply as the dominant “grammars of communication” in #MeToo but connect individual experiences of sexual violence to broader political structures such as patriarchy, homophobia, xenophobia, and racism. Yet, as our analysis uncovered, while the vernacular practices enabled #MeToo to be politicized, these systems of oppression were not always challenged, but at times, reinforced. As such, while previous research has shown how (affective) vernacular practices shape what we know and feel about sexual violence, this article highlights how vernacular practices fundamentally shape how the public contextualizes and (mis)understands sexual violence as a political issue. Overall, the article contributes to scholarship in the field of new media, feminism, and communication by showing how hashtags are taken up by the public in different ways and how shared vernacular practices emerge across languages, even when the content, focus, or rhetoric may diverge.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».