Postdigital Bodies: Young People’s Experiences of Algorithmic, Tech-Facilitated Body Shaming and Image-Based Sexual Abuse during and after the COVID-19 Pandemic in England
Notice bibliographique
Résumé
In this paper, we draw upon a study exploring how COVID-19 and social isolation impacted young people’s (aged 13–18) experiences of online sexual and gendered risks and harms in England during nationwide lockdowns and upon their return to school. We explore the complexities, tensions and ambiguities in youth navigating algorithmised feeds on social media apps such as TikTok and content featuring idealised cis-gendered, heterosexualised feminine and masculine embodiment. Young people repeatedly witness hateful and abusive comments that are algorithmically boosted. We argue that this toxic content normalises online hate in the form of body shaming and sexual shaming, developing the concept of the postdigital to analyse the offline, affective, embodied and material dimensions of online harm, harassment and abuse. We also explore young people’s direct experiences of receiving harmful comments, including girls’ and gender and sexuality-diverse youth’s experiences of body and sexual shaming, as well as boys’ experiences of fat shaming; which, in many instances, we argue must be classified as forms of image-based abuse. Using our postdigital lens, we argue that the ways heteronormative, cis-gendered masculine and feminine embodiment are policed online shapes behaviour and norms in young people’s everyday lives, including in and around school, and that better understanding and support around these issues is urgently needed.
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 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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».