MétaCan
Menu
Retour à la cohorte
Enregistrement W2517133738 · doi:10.1386/jfs.4.2.209_1

Recut and re-tuned: Fan-produced parody trailers

2016· article· en· W2517133738 sur OpenAlexaff
James Deaville

Notice bibliographique

RevueThe Journal of Fandom Studies · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRadio, Podcasts, and Digital Media
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésTrailerFandomNarrativeMusicalArtSound (geography)Sound designVisual artsPsychologyComputer scienceLiteratureAcoustics

Résumé

récupéré en direct d'OpenAlex

Abstract The term ‘recut’ designates a trailer that a fan has created by editing footage from a film or trailer to new sound (voice-over, sound effects and underscore). The resulting re-imagined audio-visual text typically presents a genre-shifted narrative that intertextually relates to the source material. The ‘re-tuning’ by fan-editors involves imposing a new soundtrack (usually music and/or narration) over reordered and edited images, like the adapted family-friendly ‘Shining’ (2005) from the horror film The Shining (Kubrick, 1980) or the horror trailer refashioning of ‘Mrs. Doubtfire – Recut’ (2009). The literature about ‘vidding’ and recutting provides a foundation for considering how fans provoke new meanings when they add or re-order voice-overs, sound effects and music in recut trailers. The fan-editor must creatively engage with genre-based cinematic trailer practices and traditions of musical signification in re-imagining the source text. Thus sound effects and electronically distorted music predominate in re-tuned horror trailers, like ‘Mrs. Doubtfire – Recut’ or ‘Scary Mary Poppins’ (2006), while light-hearted melodies and instrumentation prevail when adapting source material to create a recut comedy trailer (‘The Wicker Man’ 2006). Thus the recut and re-tuned trailer represents a transformative nexus of sight and sound within fandom.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,083

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0050,004
Communication savante0,0060,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0250,004

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 Opus0,102
Tête enseignante GPT0,373
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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Fandom StudiesMême sujetRadio, Podcasts, and Digital MediaTravaux en français237 207