Seeding the Grassroots of Research on Furries: Lessons Learned from 15 Years of Creative Knowledge Mobilization, Valuing Community Partnerships, and Correcting the Record on Stigmatized Communities with Evidence-Based Scholarship
Notice bibliographique
Résumé
This paper documents a case study of how academics can use traditional research and non-traditional knowledge mobilization to improve the dissemination of findings related to stigmatized communities. The International Anthropomorphic Research Project (IARP) used peer-reviewed scholarship to challenge pervasive media misconceptions and misinformation about furries. Finding the reach of traditional academic outlets was inadequate to meaningfully impact mainstream misconceptions, we rebranded our research efforts under the name Furscience and utilized social marketing and creative dissemination to repackage the IARP’s research into more public-friendly, accessible formats. Furscience has become a multi-purpose platform specifically engineered to forge connections among academics, furries, the public, and media. It also supports the furry community’s own diverse, anti-stigma efforts by providing data, public education, and partnerships. We offer preliminary evidence that suggests Furscience has increased its public reach and that furries, themselves, see improvements in how the media and public understand their community. This case study offers academics who work with stigmatized populations—especially those plagued by misinformation—and engage in translational research an example of how data, community and media partnerships, and non-traditional dissemination strategies can improve research accessibility and anti-stigma efforts. We conclude with a summary of the lessons learned by Furscience.
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 | 0,190 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,017 | 0,081 |
| Communication savante | 0,025 | 0,038 |
| Science ouverte | 0,006 | 0,032 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».