A reader response method not just for ‘you’
Notice bibliographique
Résumé
This article contributes to empirical literary studies by offering a new reader response method for examining targeted textual features. With the aim of further establishing the new paradigm of reader response research in stylistics, we utilise a Likert scale – a tool that is usually used to generate data that is analysed quantitatively – to elicit qualitative data and, crucially, show how that data can be synthesised with an analysis of the primary text to provide empirically based conclusions relevant to particular textual features for cognitive narratology and stylistics. While we offer a new method that can be used to investigate textual features in all kinds of text, we exemplify our approach via the investigation of second-person narration in geniwate and Larsen’s digital fiction The Princess Murderer and provide a new understanding of the experiential nature of ambiguous forms of ‘you’ in fiction. Our stylistic analyses show how responses can be generated by linguistic features in the text. We then analyse reader responses to those examples and show that this can provide a more nuanced account of ‘you’ narratives than a stylistic analysis alone because it affords insight into how different readers do or do not psychologically project into and/or assume the role of ‘you’. Our results represent the first time that current typologies of the second person have been empirically tested and we are the first study to find an empirical basis for doubly deictic ‘you’. We therefore contribute a new empirically based understanding of how readers experience ambiguous forms of ‘you’ in fiction.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,069 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,011 |
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 source (Gemma direct ou Codex distillé), 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 ».