Цифровые платформы и мобилизация горожан: как локальность переопределяет коннективное действие
Bibliographic record
Abstract
Статья посвящена роли локальных цифровых платформ (гражданских медиа) в городских конфликтах. Мы обращаемся к теории коннективного действия, анализирующей современные формы мобилизации (совместных действий по достижению определенных целей), которые разворачиваются онлайн или на стыке онлайн/офлайн и соотносятся с более широкой политической повесткой (например, движениями “Occupy” и “Indignados”), и рассматриваем, как эта теория работает в случае локальных объединений, связанных с решением городских проблем. Основываясь на материалах исследований, проведенных в 2018—2020 гг. в российских городах-миллионниках (Самаре, Новосибирске, Санкт-Петербурге и Москве), мы выделяем четыре базовых типа локальных коннективных действий и иллюстрируем их примерами конкретных градозащитных кампаний. Эти типы различаются по двум параметрам: 1) уровню монополизации кампании одной цифровой платформой и 2) характеру распределения ответственности и агентности в рамках кампании между инициативной группой, выступающей администратором онлайн-страниц, и подписчиками. Благодарность. Исследование выполнено за счет гранта Российского научного фонда, проект № 1878-10054-П «Механизмы согласования интересов в процессах развития городских территорий».
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.018 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.027 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".