Creativity in the Context of Risk: the Impact of Digital Transnational Repression on Artistic Expression
Notice bibliographique
Résumé
In the Fall of 2022, the arrest and subsequent death of 22-year-old Mahsa Amini in Tehran sparked mass protests demanding greater freedoms and an end to repressive laws for women in Iran. Artists played a pivotal role in what became known as the “Women, Life, Freedom” movement. In Iranian diasporic communities around the world, artists amplified the voices of protestors through visual art, film, music, poetry, and performance, drawing global attention to the movement's demands for justice and freedom. In doing so, many of these artists took significant risks. The Iranian regime is known to reach across borders to stifle opposition using a broad range of techniques – from kidnapping, detention, and killing through to online tactics of harassment, surveillance, and threats, including threats to family members. And while more severe situations attract media and government attention, it is the “everyday” tactics, amounting to a “constant barrage of harassment, intimidation, and surveillance,” that leave many artists vulnerable, without support, and can lead to self-censorship (Schenkkan and Linzer, 2021, p. 37). These new tools of digital transnational repression are practical from the perspective of authoritarian states whose interest is to silence dissent. And artists are particularly vulnerable (Whyatt, 2023; United Nations Educational, Scientific and Cultural Organization, 2023). This paper examines the recent tactics of digital transnational repression and their impact on artists, outlining the levers, tools, and resources that organizations and institutions supporting artists need to engage in order to protect the freedom of artistic expression, which is fundamental to democratic societies.
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) | 0,001 | 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 ».