Младежи инфлуенсъри: биографични стратегии и практики. Случаят „Choko“
Bibliographic record
Abstract
Социалните мрежи са средство за споделяне на съдържание, взаимодействие с членове на семейството, приятели, колеги, развиване на бизнес, популяризиране на каузи и теми, място за създаване и споделяне. Сред множеството онлайн потребители, активни и пасивни, съществуват такива, чието съдържание оказва влияние върху нагласите на аудиторията им чрез видеосъдържание, блогове, постове и въобще използване на всякакви публикации в онлайн платформите – инфлуенсъри. Те използват умело различни способи: биографични стратегии и практики, за да гарантират популярността си в социални платформи като YouTube, Инстаграм, Фейсбук и др. В тази статия изследвам именно тези способи докато споделям един случай от теренната ми работа, в който, в период от десет месеца (март-декември 2021г.), интервюирам, пътувам с и наблюдавам съдържанието на младеж, определящ себе си като инфлуенсър – Choko. Той създава предимно видеосъдържание, гледано милиони пъти в платформата YouTube, поддържа активен профил в Инстаграм, участва в телевизионни предавания и в процеса на работата си използва практики от ежедневието си, разказвайки истории от живота си по начин, по който успява да ангажира аудиторията си с неща, интересни на самия него.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".