ALGORITHMS, AESTHETICS AND THE CHANGING NATURE OF CULTURAL CONSUMPTION ONLINE
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
This paper examines the development of digital subcultures and microtrends in a social media landscape increasingly driven by algorithms. We explore the increasing proliferation of subcultures defined by aesthetic categories which we refer to as “microtrends. In this paper we draw from a combined mixed-methods exploration– a visual discourse analysis taken in conjunction with critical technoculture analysis (CDTA) – of content shared to the popular hashtag #aesthetic across three different algorithmically driven social media platforms: TikTok, Instagram and Youtube. We aim to extend scholarship on digital subculture formation by examining the intersection of identity formation, algorithmic capitalism and user practices surrounding microtrends through the lens of user engagement and self identity guided by three central questions: (1) What tactics and practices constitute user participation in microtrends? (2) How does user engagement with microtrends function as an act of relational self expression? (3) What are user discourses surrounding microtrend participation? Three novel user practices are identified - aesthetic consistency, aesthetic anxiety, and aesthetic creation- which when taken together comprise of a process that we term “self-discretization” wherein users “do the work” of abstracting and fragmenting their identities for the sake of attaining visibility within a datafied digital environment. Ultimately this paper argues that in an increasingly algorithmic cultural landscape users begin to internalize not just the messaging, but also the logics of algorithmic capitalism and regimes of datafication.
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 | 0,003 | 0,004 |
| 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 | 0,002 |
| 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