Libraries in the Spotlight: First Amendment Auditors and Social Media Commentary
Notice bibliographique
Résumé
Social media platforms have amplified public scrutiny of libraries, as First Amendment auditors (FAAs) record their interactions to test constitutional boundaries. These encounters spark debates over the balance between free speech and maintaining an inclusive, orderly environment. Through an analysis of 300 YouTube comments on FAA-library interactions, this study highlights polarized public reactions influenced by selective video editing and algorithm-driven echo chambers. While auditors bring attention to issues of transparency, their confrontational tactics often challenge the core mission of libraries. The findings emphasize the importance of clear policies, staff training, and strategies to address the complexities of digital accountability. Les bibliothèques sous les projecteurs: auditeurs du Premier amendement et commentaires sur les médias sociaux RésuméLes plateformes de médias sociaux ont amplifié l'examen public des bibliothèques, car les auditeurs du Premier amendement enregistrent leurs interactions pour tester les limites constitutionnelles. Ces rencontres suscitent des débats sur l'équilibre entre la liberté d'expression et le maintien d'un environnement inclusif et ordonné. Grâce à l'analyse de 300 commentaires YouTube sur les interactions entre les auditeurs et les bibliothèques, cette étude met en lumière les réactions polarisées du public qui sont influencées par le montage de vidéo sélectif et les algorithmes. Alors que les auditeurs attirent l'attention sur les questions de transparence, leurs tactiques de confrontation remettent souvent en question la mission principale des bibliothèques. Les résultats soulignent l'importance de politiques claires, de formation du personnel et de stratégies pour adresser les complexités de la responsabilité numérique.
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 | 0,009 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».