Feminist Markup and Meaningful Text Analysis in Digital Literary Archives
Notice bibliographique
Résumé
In this research paper, I examine three digital archives of women writers--University of Nebraska-Lincoln’s Willa Cather Archive, Northeastern University’s Women Writers Online, and University of Alberta’s Orlando Project--for evidence of encoding practices and computational text analysis experimentation that supports feminist scholarship. I provide a brief overview of text encoding practices and controversies in digital literary studies, emphasizing research that suggests heavily detailed and interpretative markup results in more meaningful text analysis outcomes. I situate feminist text encoding and analysis practices and technologies within a larger argument for the use of detailed, interpretative and critical markup. I begin my research on the premise of Jacqueline Wernimont’s assertion that text encoding and analysis practices and technologies are political tools that open a space for feminist intervention that can support feminist literary scholarship and reveal the integral place of women’s writing within the field of digital literary studies. After examining the three digital archives as well as any documentation of their markup and text analysis practices, I determine that feminist markup--tagsets specifically designed to support feminist inquiry--exists on a spectrum and that highly detailed and interpretative feminist markup leads to more meaningful text analysis outcomes for feminist scholarship, revealing complex social, cultural and political data pertaining to gender and literary history. I conclude that feminist-specific markup is important and necessary to support feminist scholarship, and that detailed and interpretative markup can be leveraged to produce more meaningful and critical text analysis results in other areas of digital literary inquiry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».