RECIPROCAL PLATFORM LABOUR IN THE NIGERIAN SOCIAL MEDIA VIDEO INDUSTRY
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 explores how content creators in the Nigerian social media video industry navigate the economic, infrastructural, and cultural logics of digital platforms through practices of reciprocal labour. As is the case in many global contexts, the economic formalization of social media platforms, such as YouTube, Facebook, and TikTok, have enabled the emergence of for-profit social media video production in Nigeria. This paper focuses on the under-studied intersection of platform logics and labour relations in this industry. Drawing on 10 semi-structured interviews with Nigerian content creators, combined with analysis of the domestic trade press, we observe that creators struggle to generate visibility in a highly saturated social media landscape. This visibility imperative is not unique to Nigeria. What sets Nigeria apart, however, is the local political economy of video production, which translates into high production costs, which are offset by orchestrating practices of informally organised reciprocal labour. Nigeria thus provides a relevant perspective to ongoing debates in platform research that seek more regional specificity and seek to decentre the Global North as their point of reference. To heed that call, the specific labour practices we highlight, those of reciprocal labour, reflect the broader informal economies and traditional kinship norms in Nigeria. Exploring this mode of work showcases the intersections among creative labour and cultural dynamics in a given national context vis-à-vis the unifying business models and centralized governance frameworks of platform companies.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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