MétaCan
Menu
Retour à la cohorte
Enregistrement W2327375058 · doi:10.5958/2454-1753.2015.00012.4

Reading Literary Fiction Invigorates the Human in Us

2015· article· en· W2327375058 sur OpenAlexaff
Deepa Rathore

Notice bibliographique

RevueMotifs A Peer Reviewed International Journal of English Studies · 2015
Typearticle
Langueen
DomainePsychology
ThématiqueLeadership, Courage, and Heroism Studies
Établissements canadiensSt. Stephen's University
Organismes subventionnairesnon disponible
Mots-clésReading (process)FeelingAppealLiterary fictionLiteratureLiterary criticismAestheticsPsychologySociologyArtSocial psychologyPhilosophyPolitical scienceLawLinguistics

Résumé

récupéré en direct d'OpenAlex

Constant exposure to literary fiction enhances our empathetic understanding and fosters our imagination. Year after year, psychologists have tried to unravel this mystery that whether reading literary fiction purges our ethical and social sensitivity or not. The intricately delineated characters and dramatic predicaments in a literary fiction have a universal appeal and we are often fascinated by them. We are fond of reading literary fiction because the characters in it are reflections of us or someone we are acquainted with. The more characters in fictions we come across, the more we are aware that no two characters are alike, the thoughts, feelings, ideas and perspectives of one are different from the other. Distinct characters of the virtual world give us a deeper insight into the lives of people that we come across in the real world. Reading literary fiction certainly invigorates the human in us and makes us more sensitive towards those who are suffering.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
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: Empirique
Score de désaccord entre enseignants0,242
Score d'incertitude au seuil0,535

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,004
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 ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,137
Tête enseignante GPT0,408
Écart entre enseignants0,271 · 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'admission1
Résumé présentoui

Explorer davantage

Même revueMotifs A Peer Reviewed International Journal of English StudiesMême sujetLeadership, Courage, and Heroism StudiesTravaux en français237 207