MARC

 008250123s2024        us                              c    eng  d
■001000017162969
■00520250211152118
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384341581
■035    ▼a(MiAaPQ)AAI31460342
■035    ▼a(MiAaPQ)Stanfordrd969sd3691
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a306
■1001  ▼aYang,  Ruo  Ying.
■24512▼aA  Computational  Approach  to  Measuring  Identity  and  its  Applications  in  Organizations
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a113  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Goldberg,  Amir.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThis  dissertation  presents  a  computational  measure  of  identity  and  explores  the  interplay  between  identity  and  social  structure.  Identity  is  central  to  the  human  experience.  Correspondingly,  identity  has  also  been  a  central  concept  in  the  social  sciences.  While  significant  theoretical  progress  has  been  made  in  terms  of  understanding  the  formation  and  development  of  identity  over  the  last  few  decades,  the  methodology  for  measuring  identity  has  been  lagging  behind.  This  dissertation  attempts  to  address  this  issue.  In  three  interrelated  chapters,  I  seek  to  accomplish  two  goals.  First,  I  seek  to  formulate  a  computational  approach  to  measuring  identity  that  is  rooted  in  extant  theory  of  identity.  Second,  I  seek  to  illustrate  the  utility  of  such  an  approach  by  highlighting  two  separate  applications  of  this  methodology  in  the  organizational  context.In  the  first  chapter,  I  introduce  a  computational  approach  to  measuring  identity.  I  describe  the  existing  work  in  sociology,  psychology,  and  computational  linguistics  that  has  laid  the  foundation  for  the  conceptualization  of  my  measure.  Namely,  using  the  definition  of  identity  as  a  set  of  selfreferential  meanings  from  Identity  Theory  (Stryker  and  Burke,  2000),  I  conceptualize  identity  as  the  semantic  meanings  associated  with  the  first-person  singular  pronoun  "I".  I  quantify  these  meanings  using  a  class  of  machine  learning  models  from  Computer  Science,  known  as  word  embedding  models,  by  retrieving  the  word  embedding  associated  with  the  word  "I".  In  parallel,  I  also  highlight  the  potential  for  using  finetuning  techniques  to  address  the  problem  of  small  training  data  in  the  social  sciences.  I  end  the  chapter  with  describing  how  this  methodology  can  be  applied  and  modified  in  two  separate  applications,  first,  to  measure  identity  similarity,  and  second,  to  measure  group  identification.  This  methodology,  as  well  as  the  application  to  group  identification,  is  first  established  in  coauthored  work  with  Dr.  Amir  Goldberg  and  Dr.  Sameer  Srivastava.In  Chapter  2,  I  expand  on  the  use  of  my  computational  identity  measure  to  study  homophily.  Homophily  is  a  fundamental  principle  that  orders  and  structures  social  ties.  Existing  work  conceptualizes  homophily  as  a  static  phenomenon.  In  the  commonly  studied  case  of  gender  homophily,  for  instance,  two  individuals  either  share  the  same  gender  or  they  do  not.  However,  a  core  insight  in  the  identity  literature  is  that  identities  are  dynamically  enacted  as  a  function  of  social  contexts  and  interactions.  Integrating  this  insight,  I  maintain  that  homophily  is  also  a  dynamic,  interactional,  and  contextualized  process.  Building  on  prior  work,  I  theorize  that  similarity  in  enacted  identity  predicts  tie  existence  and  strengthens  existing  ties.  I  further  deconstruct  enacted  identity  similarity  into  its  intra-relational  and  extra-relational  components.  That  is,  for  each  pair  of  individuals,  I  distinguish  between  identity  enacted  within  and  outside  of  the  purview  of  their  relationship.  Under  the  contextualized  view  of  identity,  intra-  and  extra-relational  enacted  identities  should  diverge,  and  only  intra-relational  enacted  identity  similarity  should  strengthen  social  ties.  Finally,  I  contend  that  the  effect  of  intra-relational  enacted  identity  similarity  is  amplified  when  enacted  in  private  contexts,  as  privacy  renders  enacted  identities  more  authentic  and  intimate.  I  apply  my  computational  identity  measure  to  a  proprietary  corpus  of  Slack  data.  Through  analyzing  channel  membership  on  Slack,  I  identify  the  intra-relational  and  extra-relational  components  of  enacted  identity  similarity.  Combining  this  approach  with  responses  from  a  network  survey,  I  find  consistent  support  for  my  hypotheses.
■590    ▼aSchool  code:  0212.
■650  4▼aCulture
■650  4▼aComputer  science
■650  4▼aSocial  interaction
■650  4▼aHomeless  people
■650  4▼aIdentity
■650  4▼aSociology
■650  4▼aLinguistics
■650  4▼aSocial  sciences
■650  4▼aSemantics
■650  4▼aLogic
■650  4▼aSocial  psychology
■690    ▼a0290
■690    ▼a0984
■690    ▼a0626
■690    ▼a0800
■690    ▼a0395
■690    ▼a0451
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162969▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서