MétaCan
Menu
Retour à la cohorte
Enregistrement W2240095055 · doi:10.29173/mruhr234

Comparison of Film Language and Historical Fact

2015· article· en· W2240095055 sur OpenAlexaffvenue
Katherine Kowalewski

Notice bibliographique

RevueMount Royal Undergraduate Humanities Review (MRUHR) · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducator Training and Historical Pedagogy
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésMetaphorCinematographyCharacter (mathematics)Similarity (geometry)Film genreFilm studiesFilm industryLinguisticsAestheticsHistoryArtMovie theaterLiteratureComputer scienceVisual artsArtificial intelligencePhilosophy

Résumé

récupéré en direct d'OpenAlex

Film language is an important aspect of analyzing film. Film language is the term used to break down the aspects of movies to develop the deeper meanings being communicated to the audience. The following essay studies three areas of film language in these historical movies: 12 Years a Slave, Nanking, and Frida. These three films will be examined through their use of dialogue, cinematography, and metaphor in the characters' actions. The essay compares the similarities and differences in the three films and offers a deep analysis of each film individually. Furthermore, a historical understanding is developed from the messages conveyed in the films. It is concluded that the movies share a similarity in their use of dialogue to convey character development. However, the difference in the three films is portrayed in their use of metaphor in the characters' actions to communicate various messages to the viewers. Through the study of the three historical films, we develop a greater understanding of the historical messages they express and a deep appreciation of the intricacy of the film industry.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,889
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,271
Tête enseignante GPT0,419
Écart entre enseignants0,148 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMount Royal Undergraduate Humanities Review (MRUHR)Même sujetEducator Training and Historical PedagogyTravaux en français237 207