„Mali“ – Dispositivanalyse einer Social Media Kampagne der deutschen Bundeswehr
Bibliographic record
Abstract
Im Herbst 2017 veröffentlichte die deutsche Bundeswehr auf YouTube,Instagram,Snapchat und Facebook die Social Media-Serie ‚Mali'.In29Episoden der in ‚Echtzeit' erzählten Serie sind achtSoldat*innen zu sehen: vonder deutschen Kaserne bis in den westafrikanischen Auslandseinsatz und zurück begleitet eine Kamera die Protagonist*innen, oft filmen sie sich und einander auch selbst -etwaineinem engen Panzerfahrzeug sitzend.Parallel dazu wurden täglich Snaps und Instagram-Beiträge gepostet, ein Chatbot sendete Neuigkeiten aus dem Alltag und vonE insätzen per Direktnachricht an interessierte Facebook-User*innen. Unsere Analyse bedient sich des Dispositivbegriffs, um dem multimedialen, plattformübergreifenden und interaktiven Charakter von ‚Mali' gerecht zu werden.Indem die dis-kursiveE bene um eine materiell-technologischeD imension erweitert wird, lassen sich Subjektivierungsformen rekonstruieren und gesellschaftlich-politische Problemstellungen identifizieren, auf die das Phänomen ‚Mali' reagiert und die es seinerseits transportiert.Insbesondere analysieren wir die vermeintlicheE chtzeit der Serie als Aufmerksamkeitsund Affizierungsmittel, die visuelle Rahmungd es Einsatzes als abenteuerliche Selbsterfahrung in einer unpolitisch-dekontextualisierten Außenwelt sowie die trichterartige Struktur, welche User*innen zur potenziellen Rekrutierung bei der Bundeswehr hinführt.Einenbesonderen Platz nimmtdie Analyse einer Episode ein, in welcherder To dzweier Soldaten nach einem Hubschrauberabsturzb e-und verhandelt wird.Kulturpsychologische Überlegungen zum Verhältnis vonS ocial Media, Krieg/Militär und (Rahmungs-) Machtschließen den Beitrag ab.In autumn 2017, the German Bundeswehr launched the social media series ‚Mali' on YouTube, Instagram,Snapchat and Facebook.In 29 episodes of the series narrated in ‚real time',eight soldiers can be seen: from the German barrackstothe West Africanmission abroad and back, acamera accompaniesthe protagonists, who also often film themselves and one another -for example, sitting inacrampedarmoured vehicle.In parallel, snaps and Instagram posts were uploadeddaily, and achatbot sent messagesabout everyday life and several operations to interested Facebook users.Our analysis employs the concept of the dispositif to account for the multimedia, crossplatform, and interactivecharacteristics of ‚Mali'.Byadding amaterial-technological dimension to the discursivel evel, we can reconstruct forms of subjectivation and identify
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".