MétaCan
Menu
Retour à la cohorte
Enregistrement W2970186268 · doi:10.15353/kinema.vi.1310

Science-Fiction and Cognition

2014· article· en· W2970186268 sur OpenAlexvenueno aff
Philippe Mather

Notice bibliographique

RevueKinema A Journal for Film and Audiovisual Media · 2014
Typearticle
Langueen
DomaineNeuroscience
ThématiqueCognitive Science and Education Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVerisimilitudeWonderFantasySemioticsCognitionAestheticsEpistemologyScientific realismNaturalismMeaning (existential)FeelingPhilosophyPsychologyRealismPsychoanalysisLiteratureArt

Résumé

récupéré en direct d'OpenAlex

SCIENCE-FICTION AND COGNITION Science-fiction (SF) is a paradoxical genre insofar as it combines realism (scientific verisimilitude) and fantasy (free speculations about estranged worlds). It represents a kind of impossible marriage between reason (science) and emotion (fiction). This tension is evoked by an image of the android Roy Batty from Ridley Scott’s film Blade Runner (1982), which appears on the front cover of a collection of essays edited in 1999 by Carl Plantinga and Greg Smith, titled Passionate Views: Film, Cognition, and Emotion. Thus SF has a cognitive dimension, which can be linked primarily to its scientific ideology, as well as an affective dimension, that expresses itself through feelings of estrangement and wonder. How can one account for the semiotic mechanisms that produce meaning and emotion in SF film, in a way that explains the interaction between these two apparently antithetical components? This essay will compare a selection...

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)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,224
Score d'incertitude au seuil0,749

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
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 Opus0,068
Tête enseignante GPT0,380
Écart entre enseignants0,312 · 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'étudeExpérimental (laboratoire)
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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKinema A Journal for Film and Audiovisual MediaMême sujetCognitive Science and Education ResearchTravaux en français237 207