Hijacking algorithmic bias: analyzing the political discourse around ChatGPT on social media
Notice bibliographique
Résumé
Following the introduction of ChatGPT 3.5, the first widely available general-purpose large language model, users were able to experiment and interact with this new AI technology at scale for the first time. This study investigates the appropriation of the discourse on algorithmic bias by conservative users with respect to ChatGPT, particularly on the social media platform X (formerly Twitter), during the initial months following ChatGPT’s public release (February–June 2023). Through a mixed-method analysis of user-generated ‘experiments’ with ChatGPT and a digital ethnography of X discourse, we explore how conservative users have repurposed the concept of ‘algorithmic bias’, originally grounded in liberal values, to advance their ideological agendas. This phenomenon, which we analyze as a form of ‘discourse hijacking’, reveals a critical divergence in how liberal and conservative critiques engage with the notion of power. While liberal critiques are embedded in a critical theory framework that emphasizes structural inequalities and systemic power imbalances, conservative critiques often disregard these dimensions and instead focus on perceived biases against hegemonic groups. Our findings reveal distinct differences between the liberal and conservative critiques of ChatGPT, not only in content but also in the strategies employed, with a mixture of thematic strategies (such as adopting a mocking or playful tone) and coordinated social media actions. These findings underscore the complex relationship between political orientation and public discourse on emerging technologies.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».