Bad Boundaries: Geofences and the Intimacies of Location Data
Notice bibliographique
Résumé
Locational data are a key part of platform function. They organize people and environments according to position and proximity. One technique through which platforms collect and circulate locational data is through geofences—virtual perimeters established around target locations that mark who and what crosses their thresholds. Applying the lens of data intimacies, the authors look at two applications of geofences in the United States: (a) to target abortion seekers through geofencing brokers like CellHawk that extrapolate and sell Google Maps locational data and (b) to accelerate the tenant eviction process through platforms such as CIVVL, a so-called property preservation platform. Through the examples of CellHawk and CIVVL, this article argues that geofences enable platforms to organize space and make claims on the body via location data. Geofencing is a practice that exploits the intimacy of locational data not simply by accessing private data but also by using intimate data to index the body in relation to risk and safety and property and trespass. Geofencing is a mechanism through which platforms police and patrol space, reifying unequal terms of autonomy and access.
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 | 0,012 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,019 | 0,080 |
| Communication savante | 0,024 | 0,031 |
| Science ouverte | 0,002 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,009 |
| 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 ».