Dwelling with feminist media archives in the age of big data
Notice bibliographique
Résumé
Grounded in data feminism and critical data studies, this paper addresses the risk that uncritical uses of big data pose to the support and maintenance of feminist digital activism histories. We draw on recent findings from our work with the Archives Unleashed Cohort Program (2021-2022), comparing two #MeToo archives: the collection housed at Schlesinger Library’s digital holdings and an open access data visualization of #MeToo (https://ruebot.net/visualizations/metoo/). We highlight the overemphasis on #MeToo as solely a media event in the Schlesinger archive, producing a sanitized, white-centric, cis-heteronormative history that is far removed from questions of gendered and racialized sexual violence at the heart of the “me too” movement. We then discuss the value of social media data visualizations as an archive that is more capacious and accessible for various modes of scholarly analysis. Finally, we dwell with the data visualizations to demonstrate how this practice allows for greater understanding of the complex meaning contained within the data. In doing so, we reveal how embodied research methods help scholars name what is obscured within networked practices and discourses under the label of big data trends, generalizations, and patterns and, ultimately, propose alternative, more feminist, ways forward.
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 | 0,041 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,016 | 0,058 |
| Communication savante | 0,030 | 0,045 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».