Digital Inclusion Through Algorithmic Knowledge: Curated Flows of Civic and Political Information on Instagram
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
Social media platforms are a critical source of civic and political information. We examine the use of Instagram to acquire news as well as civic and political information using nationally representative survey data gathered in 2019 in the US, the UK, France, and Canada (<em>n</em> = 2,440). We investigate active curation practices (following news organizations, political candidates or parties, and nonprofit organizations or charities) and passive curation practices (liking friends’ political posts and those from parties or politicians and nonprofits or charities). Young adults (18 to 24 years) are far more likely to curate their Instagram feed than older adults in all four countries. We consider two possible explanations for this behavior: political interest and an understanding of how algorithms work. Young adults have more (self-assessed) knowledge of algorithms in all four countries. Algorithmic knowledge relates to curation practices, but there are some cross-national differences. Algorithmic knowledge is theoretically relevant for passive curation practices and the UK sample provides support for the stronger role of algorithmic knowledge in passive than active curation. In all four countries, political interest positively relates to active and passive curation practices. These findings challenge depictions of young adults as news avoiders; instead, they demonstrate that algorithmic knowledge can help curate the flow of information from news organizations as well as civic and political groups on Instagram. While algorithmic knowledge enables youth’s digital inclusion, for older adults, the lack of knowledge may contribute to digital exclusion as they do not know how to curate their information flows.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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