Notice bibliographique
Résumé
The focus of this essay is the analysis of daily objects as signs in films. Objects from everyday life acquire several functions in films: they can be solely used as scene objects or to support a particular film style. Other objects are specially chosen to translate a character’s interior state of mind or the filmmaker’s aesthetical or ethical commitment to narrative concepts. In order to understand such functions and commitments, I developed a methodology for film analysis which focuses on the objects. Object interpretation, as the starting point of film analysis, is not a new approach. For instance, French film critic André Bazin proposed that use of object interpretation in the 1950s. Similarly, German film theorist Siegfried Kracauer stated it in the 1960s. However, there is currently no existing analytical model to use when engaging in object interpretation in film. My methodology searches for the most representative objects in films which involves both quantitative and qualitative analysis; I consider the number of times each object appears in a film (quantitative analysis) as well as the context of their appearance, i.e. the type of shot used and how that creates either a larger or smaller relevance and/or expressiveness (qualitative analysis). In addition to the criteria of relevance and expressiveness, I also analyze the functionality of an object by exploring details and specifying the role various objects play in films. This research was developed at Concordia University, Montreal, Canada and was supported by the Foreign Affairs and International Trade, Canada (DFAIT).
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) | 0,012 | 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 ».