Digital Media for Social Justice and Change: Conceptualizing Impacts of Artificial Intelligence on Marginalized Media Creators
Notice bibliographique
Résumé
Existing research documents that in a technologically connected society, digital media can often shift population-level ideologies surrounding social justice and social work. Additionally, evidence indicates increased digital-media consumption patterns given how marginalized individuals can face greater barriers in physical participation. Based upon such rationale, this conceptual paper investigates how artificial intelligence serving as digital-media creation tools may impact the lived experience of those who face marginalization due to age, gender, race, Indigenous ancestry, rural geography, disability, and socioeconomic status. This paper reports qualitative data from a parent study engaging with marginalized individuals (n = 8) experiencing 1) intersectional statuses associated with stigma and 2) ongoing barriers to participation in formal learning opportunities, to assess how digital media play critical roles in shaping their access to new information, beliefs, and worldviews. Informed by anti-oppressive and trauma-informed principles in social work, the research employed semi-structured interviews guided by a collaboratively developed framework – CATER (Collection, Action, Transformation, Emotion, Recommendation). Participants reported an average of more than three statuses of marginalization, and were invited to share their lived experiences – specifically informing how marginalization impacts their autonomous creation of digital media and engagements with machine-learning technologies. A sevenpart framework of AI in social-work-oriented digital media creation is thus conceptualized to consider: inclusivity in narrative dissemination; financial barriers intersecting with socioeconomic status; dominant versus counternarratives; market influences; and AI’s critical shortcomings in terms of visibility and audience receptivity. Implications for social justice and social work with marginalized groups conclude this study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,079 |
| Communication savante | 0,017 | 0,022 |
| Science ouverte | 0,003 | 0,019 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».