MétaCan
Menu
Retour à la cohorte
Enregistrement W2603823148 · doi:10.21810/strm.v8i2.200

Selling Marvel’s Cinematic Superheroes Through Militarization

2016· article· en· W2603823148 sur OpenAlexaffvenue
Brett Pardy

Notice bibliographique

RevueStream Interdisciplinary Journal of Communication · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueComics and Graphic Narratives
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésComicsHollywoodNarrativeMilitarizationMainstreamCopycatPopular cultureFilmographyEntertainmentAestheticsFilm genreSociologyMedia studiesMovie theaterArtAdvertisingVisual artsLiteraturePolitical scienceLawArt historyPoliticsPsychology

Résumé

récupéré en direct d'OpenAlex

The Marvel comics film adaptations have been some of the most successful Hollywood products of the post 9/11 period, bringing formerly obscure cultural texts into the mainstream. Through an analysis of the adaptation process of Marvel Entertainment’s superhero franchise from comics to film, I argue that militarization has been used by Hollywood as a discursive formation with which to transform niche properties into mass market products. I consider the locations of narrative ambiguities in two key comics texts, The Ultimates (2002-2007) and The New Avengers (2005-2012), as well as in the film The Avengers (2011), and demonstrate the significant reorientation towards the military of the film franchise. While Marvel had attempted to produce film adaptations for decades, only under the new “militainment” discursive formation was it finally successful. I argue that superheroes are malleable icons, known largely by the public by their image and perhaps general character traits rather than their narratives. Militainment is introduced through a discourse of realism provided by Marvel Studios as an indicator that the property is not just for children. Keywords: militarization, popular film, comic books, adaptation

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,005
Communication savante0,0040,003
Science ouverte0,0000,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,027
Tête enseignante GPT0,278
Écart entre enseignants0,250 · 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'admission2
Résumé présentoui

Explorer davantage

Même revueStream Interdisciplinary Journal of CommunicationMême sujetComics and Graphic NarrativesTravaux en français237 207