WHERE MY AI APPS AT? A HISTORIOGRAPHIC APPROACH TO ANALYZING PLATFORM TOOLS
Notice bibliographique
Résumé
The popular short-form video app TikTok is mainly discussed as a discrete app or in relation to its parent company ByteDance. This view neglects how TikTok and other ByteDance apps maintain and advance ByteDance’s highly complex app ecosystem. This paper, therefore, positions ByteDance-owned apps as both apps and “platform tools.” TikTok allows end-users to watch videos, allows creators to make and distribute content, advertisers to endorse products, and developers to build app features. As a platform tool, TikTok is a software-based resource that mediates “platformization,” extending TikTok’s economic, infrastructural, and governmental data-centric logic within and beyond ByteDance’s app ecosystem. Increasingly, ByteDance’s platform tools rely heavily on AI technology because of ByteDance’s early investments in AI technology and the growing interest such tools within the cultural industries. We survey ByteDance’s AI-powered platform tools alongside non-AI ones using systematic financial and infrastructural analysis, uncovering how ByteDance’s platform tools expand ByteDance as a “multi-sided,” “multi-layered,” and “multi-situated” platform. Platform tools, thus, facilitate growth along these three dimensions by encouraging platform dependence; interoperability and interdependence within ByteDance’s app ecosystem; and platformization, including “parallel platformization.” Our empirical work ultimately shows how ByteDance uses platform tools to accrue and operationalize infrastructural and economic power, and how apps have moved from discrete objects to interconnected clusters of platform tools.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,000 |
| 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 ».