GAMING PLATFORMS AS CHAOTIC NEUTRAL?: TOXIC PERFORMANCE, COMMUNITY RESISTANCE, AND AGONISTIC POTENTIAL
Notice bibliographique
Résumé
In the post-gamergate era, much has been written about the toxicity of online multiplayer video gamespaces. Yet, game scholars agree that the actual definition of the term ‘toxic’ is slippery. There is also consensus that toxicity is a highly context-dependent phenomenon reliant on the relation of players to one another but extending further to include the technical elements of the game (Canossa et al., 2021; Hilvert-Bruce & Neill, 2020; Kou, 2020; Kowert, 2020). Past scholarship in this area also illustrates that these spaces are deeply gendered and center masculine normativity (Cote, 2020; Gray, 2020; Ruberg, 2019; Shaw, 2015). Players from various positionalities may enter conflict when there is dissent over the definition and norms of the space. In these instances of conflict there is the potential for agonism (Laclau & Mouffe, 1985). We employed cultural probes in tandem with focus groups and interviews to better understand how players experience toxicity in online gaming spaces. Emerging from participants’ conversations, this paper explores performative behaviours which are emblematic of performing toxicity or ‘counterplay’. We propose three common instances of counterplay: antagonistic counterattack, when a player reciprocates or matches the toxic behaviour of an antagonist; ludic mithridatism, when a player develops a threshold for tolerating toxicity in a gamespace; and playful transgression, when a player or group of players performs counter-hegemonic identity-work.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,020 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 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 ».