The Citation Economy as a Site of Extraction for Surveillance Publishing
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
This paper links the ideas of surveillance capitalism and what Jeff Pooley has described as surveillance publishing with that of the citation economy. A few companies with dominance over academic publishing have been able to capture and use surplus value created through the publishing lifecycle. This extraction—of academic labour, of data, of information—is reinvested into their proprietary data analytics products. This is both literally, as the data collected by the publishing side can be incorporated into data analytics algorithms, and financially, as the profit margins of these academic publishing arms are astonishingly high. Crucially, these profits have been used to expand these companies’ portfolios of extractive data services across industries as academic publishers transition from information vendors to technology-driven data brokers. By providing their labour directly (as editors, reviewers, etc.) or indirectly (as authors) to these companies, scholars are complicit in data collection and analysis used for everything from advertising to law enforcement. This data is sold back to universities who use it to evaluate and surveil the publishing practices of their employees, using proprietary metrics and methods that do not align with principles of academic freedom. This paper provides an overview of this landscape, concluding with implications and recommendations for the scholars and librarians ensnared in it. It also includes a mini-zine we plan to distribute to help contextualize academics’ roles in the citation economy and the ethical implications for their 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.
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 | 0,005 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,009 | 0,089 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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