Apunts - El negoci de les xarxes socials
Bibliographic record
Abstract
El negoci de les xarxes socials E l guionista Aaron Sorkin, oscaritzat per The Social Network, la pel•lícula dirigida per David Fincher que narra el naixement de Facebook, ha situat el moment d'epifania de la pel•lícula a la porta d'un college, una nit d'hivern gelada, amb un paio en calça curta vestit de turista caribeny i un altre, el geni, entotsolat, xerrant sense escoltar sobre el projecte que li balla pel cap.És en aquesta escena que el personatge de Mark Zuckerberg, el creador de Facebook, entén què ha convertit en un èxit el petit web que ha muntat per esbravar la seva ràbia contra una exxicota en particular i les dones en general, un lloc per votar les noies més suculentes del campus muntada amb fotografies robades dels servidors de la Universitat: «No va triomfar perquè hi trobessin fotografies de ties bones.Pots anar a qualsevol lloc a Internet i trobar-ne.Va triomfar perquè van trobar-hi fotografies de noies que coneixien».La gent vol entrar a Internet i saber què fa la gent que coneix, explica Zuckerberg a Severin, que acaba sent el primer a posar diners en el projecte.La idea és el germen de Facebook i no cal explicar com ha canviat l'invent el panorama internàutic.El naixement de Twitter no té pel•lícula, per ara.Però pel que se n'explica, comparteix el decorat, l'ambient dels relats de les grans transformacions informàtiques.Com Apple i Microsoft, que van néixer en garatges, Twitter va ser inventat en la quotidianitat d'un parc infantil amb dos joves asseguts en un tobogan dinant menjar mexicà: gent senzilla i llocs corrents, idees simples i brillants.No podia ser d'una altra manera.La pel•lícula de Fincher i Sorkin s'emmarca en
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 | 0.006 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.019 | 0.002 |
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".