THE ALGORITHMIC MODERATION OF SEXUAL EXPRESSION: PORNHUB, PAYMENT PROCESSORS AND CSAM
Notice bibliographique
Résumé
Pornography platforms are increasingly required by payment processor business partners to mitigate harm in their content management systems through algorithmic moderation. Demands that adult merchants incorporate these tools are not proportional to instances of harmful content, but a response to the widespread conflation of pornography with harm and risk online. This paper explores co-governance by payment processors calling for algorithmic tools through the case of Pornhub, asking: what standards are required by financial firms, how are these enforced on platforms, and what effects does this arrangement have on porn content? I open with key context regarding the deplatforming of sex, antiporn campaigning and constructions of harm through 'reputational risk’. Following this, I detail financial firms infrastructural influence in platform co-governance. Next, a close reading of adult merchant terms identifies specific clauses calling for algorithmic moderation. Concluding this issue mapping, I provide a taxonomy of moderation tools in place on Pornhub. I close with an issue discussion to consider AI's positioning as a regulatory solution, CSAM data ethics, moderator labour, and the many technical problems obscured by promises of safety through automated content management systems. The resulting review of algorithmic measures enforced by financial firms offers a detailed case of the opaque governance conditions imperilling sexual expression across porn platforms.
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 | 0,015 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,045 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».