From Academia to Algorithms: Digital Cultural Capital of Public Intellectuals in the Age of Platformization
Notice bibliographique
Résumé
Scholars traditionally hold influential positions due to their cultural capital, derived from academic degrees, scholarly publications, and professional credentials. However, the rise of digital platforms has disrupted this hierarchy, placing scholars into new roles as online public intellectuals who engage in political advocacy and mobilize knowledge through public discourse. This transformation calls attention to how public intellectuals’ visibility and influence have become entangled with platform logics, leading to a reconsideration of “digital cultural capital”. Drawing theoretical insights from critical platform studies, celebrity studies, and marketing research, this article conceptually addresses three questions: (1) how traditional cultural capital transforms digitally; (2) how public intellectuals accumulate digital cultural capital; and (3) what are the risks of knowledge mobilization on platforms? This article proposes that traditional academic credentials are no longer sufficient to maintain public intellectuals’ influence, whereas visibility metrics—such as views, likes, shares, and follower counts—emerge as a digital form of “cultural capital from below”. Public intellectuals, thus, must engage in “code-switching” to navigate platform-mediated knowledge mobilization. Nevertheless, the populist tendencies embedded in cultural capital from below and the platform algorithms that enable it risk marginalizing less visible knowledge forms. Eventually, this article calls for future empirical research on how digital cultural capital and code-switching operate across geopolitical contexts, particularly within marginalized communities shaped by distinct platform logics and populist dynamics.
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 | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».