'Social media in citizen-government relations around the world'
Notice bibliographique
Résumé
E-Governance, once defined as an additional channel for service delivery and communication between public agencies and the citizens and businesses they serve, is quickly developing into a set of innovations in which web technologies converge with social media platforms and big data / artificial intelligence applications. Technologies are not necessarily neutral drivers of innovation, but rather these technologies are designed, constructed, implemented and used by people, and thus they shape and are shaped by the values, ideas and assumptions of policymakers, system developers, officials and citizens. In this lecture I would like to present some first results (‘impressions’) from the COSMICS (‘Comparative study of Social Media in Citizen-State Relations’) study I conducted together with Rebecca Moody. We gathered original survey data in eight countries (Canada, Paraguay, Algeria, Kenya, Netherlands, Greece, Pakistan & China) and tried to explain why citizens would use social media to report poor public sector performance (a form of ‘thin political participation’). First findings indicate that citizens’ use of social media to ‘speak up’ is associated with, in order of strength of effect, social influence / peer pressure (+), perceived effectiveness of social media use (+), trust in social media business infrastructure (+), social media ease of use (+), and citizens’ fear of consequences (-), with citizens’ trust in government not having an impact. It must be noted that impacts are different in various country subsets. One of the perhaps surprising outcomes of the study is that ‘trust’ plays an important role in enabling a vibrant digital democracy, yet it is trust in proprietary social media infrastructures rather than trust in government institutions that enables or limits citizens to engage in participatory practices. This finding urges us to rethink the longer term roles of proprietary social media platforms such as Facebook and Twitter (and arguably Weibo in the People’s Republic of China!) as infrastructures for citizen engagement and participation.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,012 | 0,019 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».