MétaCan
Menu
Retour à la cohorte
Enregistrement W3048417421 · doi:10.1093/oxfordhb/9780198824350.013.6

Exploring the Landscape of Emotion in Aesthetic Experience

2020· book-chapter· en· W3048417421 sur OpenAlexaff
Gerald C. Cupchik

Notice bibliographique

RevueOxford University Press eBooks · 2020
Typebook-chapter
Langueen
DomaineNeuroscience
ThématiqueAesthetic Perception and Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSadnessHappinessFeelingPleasureAestheticsPsychologyAesthetic experienceEveryday lifeCognitive psychologySocial psychologyArtEpistemologyPhilosophyPsychotherapist

Résumé

récupéré en direct d'OpenAlex

Abstract The term “aesthetic emotion” was treated differently by scholars from the late 19th and early 20th centuries compared with those from the 21st, and there is much to learn from the “early” group. William James distinguished “subtler emotions” that encompass aesthetic, scientific, and ethical qualities, in contrast to “coarse emotions,” such as happiness or sadness, which are part of everyday life. Others, such as Bosanquet, Clay, Bullough, and Dewey described underlying processes that shape aesthetic experiences during episodes of creation and reception. Their insight is that everyday emotions are elevated to abstract and universal levels during aesthetic episodes, much like Aristotle described more than 2,000 years ago. Later researchers, such as Menninghaus and colleagues, were influenced by the “cognitive turn” and treat “aesthetic emotions” as hypothetical constructs whose independent existence is predicated on word frequencies associated with stimulus ratings. The precision of current empiricism can benefit from incorporating rich theoretical musings of the past about aesthetic processes. A comprehensive model should integrate processes related to aesthetics and emotion during creation and reception episodes. Formal properties of art or literary works can stimulate feelings of pleasure or excitement. The subject matter can offer suggestions that elicit personal connections and related emotions.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,995
Score d'incertitude au seuil0,611

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,113
Tête enseignante GPT0,233
Écart entre enseignants0,121 · 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
GenreAutre

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetAesthetic Perception and AnalysisTravaux en français237 207