Meta’s AI moderation and free speech: Ongoing challenges in the Global South
Notice bibliographique
Résumé
Abstract This study investigates the discriminatory impact of artificial intelligence (AI)-driven content moderation on social media platforms (SMPs), particularly in the Global South, where cultural and linguistic diversity often clash with the Western-centric AI frameworks. Platforms like Meta increasingly rely on AI algorithms to moderate vast amounts of content, but research shows that these algorithms disproportionately restrict free expression in the Global South (European Union Agency for Fundamental Rights, 2023; De Gregorio & Stremlau, 2023). This results in “over removal” – censorship of lawful content – and “slow removal,” which fails to address harmful material, both of which perpetuate inequality and hinder free speech. Through a case study on Meta, this research examines how AI-based content moderation misunderstands local contexts and systematically marginalizes users. The contributing factors include limited financial investment, inadequate language training, and political and corporate biases. The imbalance reflects power asymmetries, as governments in the Global South lack influence over platform policies. This study uses a human rights perspective to explore solutions through multistakeholder engagement, advocating for collaboration among tech companies, governments, and civil society to reform AI governance. Ultimately, it aims to inform regulatory frameworks that ensure fairer, more inclusive content moderation and protect free expression for a globally equitable digital landscape.
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 | 0,000 | 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 | 0,000 |
| 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 ».