Unveiling Chatbot APP Characters: A Socio-Cultural Analysis of App Representations and User Perceptions
Notice bibliographique
Résumé
This study explores the socio-cultural logics underlying the character construction of chatbot applications by examining how developers strategically design and represent chatbot personas to align with users' emotional expectations and normative imaginaries.Based on a dataset of 110 chatbot apps collected from Google Play, it employs a mixed-methods approach that includes keyword frequency analysis, co-occurrence network visualization using Gephi, and iconographic analysis.Chatbot character attributes are categorized into three dimensions: image, identity, and function.Findings indicate a predominant emphasis on anthropomorphic features, particularly the combination of "human," "social," and "friend," suggesting that developers prioritize the construction of emotionally available yet non-intimate chatbot companions.While utilitarian roles such as "assistant" or "knowledge provider" appear less frequently, social identities like "friend" or "roleplay" are foregrounded and often visually reinforced through gendered and sometimes sexualized icon designs.Drawing on social constructivism and sociomateriality, this study argues that chatbot character design reflects developers' projections of the "ideal user," shaped by existing social norms and stereotypes.By centring "similarity" as a key design logic, these representations risk reproducing cultural biases, particularly those surrounding gender and emotional labour, under the guise of user familiarity.The study concludes by emphasizing the need for more critical and reflexive design practices that challenge rather than reinforce dominant socio-technical imaginaries embedded in human-AI interaction.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».