Pornhub, payment processors and child sexual abuse material: moral and algorithmic authorities in platform governance
Notice bibliographique
Résumé
This article analyses cultural, commercial and technical forces shaping content moderation on pornography platforms. Antipornography frameworks have unjustly cast adult sites as leading perpetrators circulating harmful and sexually abusive content. This framing encourages credit card companies and payment processors to treat porn platforms as high-risk merchants subject to stricter standards and oversight. To mitigate risk, these business partners frequently require use of algorithmic tools for content management. Governance by these private financial firms thus shapes porn platform moderation through both moral panic and automation. To make this dynamic legible, I examine Visa and Mastercard's demonetization of Pornhub in 2020 following a child sexual abuse material (CSAM) scandal. This case captures the range of anti-porn values, influential business partners and automated technologies shaping Pornhub moderation. I first introduce the controversy, detail ‘high-risk' terms for adult merchants and show how rules are interpreted and enforced by payment processors. Next, I review content moderation protocols on Pornhub, considering effects of these tools on porn and the stakes of this governing arrangement. I conclude arguing that interventions on porn platforms framed in service of public safety primarily serve private commercial interests – mitigating ‘reputational risk’ while entrenching other harms in content management.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,031 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».