மோதல் இப்போது மீம் வடிவில் பயணிக்கிறது
அமெரிக்கா மற்றும் ஈரான் தொடர்பான, மேலும் தனித்தனியாக இஸ்ரேல் மற்றும் லெபனான் தொடர்பான சமீபத்திய போர் நிறுத்த அறிவிப்புகள், வெறும் புவியியல் அரசியல் ஆய்வை மட்டுமல்லாமல், போர் ஆன்லைனில் எவ்வாறு பரவுகிறது என்பதற்கான ஒரு பின்னோட்டத்தையும் தூண்டின: தலைப்புச் செய்திகள், வீடியோ காட்சிகள், மற்றும் அதிகாரப்பூர்வ அறிக்கைகள் மூலம் மட்டுமல்ல, மீம்கள் மூலமும். கட்டாய சேவை, draft பற்றிய கவலை, ஏவுகணைகள், tactical gear, மற்றும் lifestyle கற்பனைகள் பற்றிய நகைச்சுவைகள் விரைவாக feed-களில் பரவின, பல சமயங்களில் தீவிரமான சூழல் சிந்திக்க நேரம் கிடைக்கும் முன்பே.
இந்த வடிவம் அறிமுகமானது, ஆனால் இப்போது மேலும் தீவிரமானதாகியுள்ளது. சமூக தளங்கள் தூரம், நேரம், மற்றும் தொனியை சுருக்கி, பயனர்களை போரை ஒரு வடிவங்களின் ஓட்டமாகப் பார்க்க அனுமதிக்கின்றன. பயத்தில் செய்யப்பட்ட ஒரு நகைச்சுவை சில நிமிடங்களில் உலகளாவிய டெம்ப்ளேட்டாக மாறலாம். ஒருகாலத்தில் உள்ளூர் coping mechanism ஆக இருந்தது இப்போது reach-க்கு உகந்ததாக மாற்றப்பட்டு, அயலவர்கள் மூலம் remix செய்யப்படலாம், மேலும் அதை உருவாக்கிய சூழலிலிருந்து பிரிக்கப்படலாம்.
இருண்ட நகைச்சுவை பழமையானது. recommendation systems புதியவை.
நெருக்கடியின் போது நகைச்சுவை செய்வதற்கான உந்துதல் புதியது அல்ல. மூல உரை, இருண்ட நகைச்சுவையை பயத்துக்கான மிகப் பழமையான பதில்களில் ஒன்றாகக் காட்டுகிறது; நிகழ்வுகள் மிகுந்ததாகத் தோன்றும்போது ஓரளவு கட்டுப்பாட்டை மீட்டெடுக்கும் வழி. அந்த பண்பாட்டு தர்க்கம் பழைய satire வடிவங்களிலிருந்து இன்றைய ஆன்லைன் பதில்கள் வரை நீள்கிறது. ஆனால் சமூக ஊடகம் அளவையும் ஊக்கங்களையும் மாற்றுகிறது. தளங்கள் context, துல்லியம், அல்லது துயரத்தை சமமாக reward செய்யாது. அவை engagement, familiarity, மற்றும் வேகமான replication-ஐ reward செய்கின்றன.
இதுவே மோதல் சார்ந்த meme economy-யின் மைய மாற்றம். ஒரு நகைச்சுவை அறிந்துகொள்ளக்கூடியதாக, எளிதில் மாற்றக்கூடியதாக, மற்றும் உணர்ச்சியளவில் வாசிக்கக்கூடியதாக இருக்க வேண்டும். அது துல்லியமாக இருக்க வேண்டியதில்லை. நடைமுறையில், மிக viral ஆன போர் மீம் பெரும்பாலும் இருப்பிடம், வரலாறு, மற்றும் அரசியல் தளங்களை அகற்றி, ஒரு format மட்டும் மீதமிருப்பதாக இருக்கும். இதன் விளைவாக trivialization மட்டும் இல்லை. பல மோதல்கள் ஒரே மாதிரியாகத் தோன்றத் தொடங்கும் algorithmic flattening என்பதும் உள்ளது, ஏனெனில் அதே content structures அனைத்துக்கும் பயன்படுத்தப்படுகின்றன.
