MétaCan
Menu
Retour à la cohorte
Enregistrement W3106129216

Revisiting the Role of Critical Reviews in Film Marketing

2009· article· en· W3106129216 sur OpenAlexfundno aff
Finola Kerrigan, Çağrı Yalkın

Notice bibliographique

RevueUniversity of the Arts London Research Online (University of the Arts London) · 2009
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensnon disponible
Organismes subventionnairesCollege of Pharmacy, University of MichiganEuropean CommissionUniversity of VictoriaHarvard Business SchoolUniversity of Michigan
Mots-clésUser-generated contentWord of mouthAdvertisingAmateurContent analysisConsumption (sociology)Social mediaMarketingComputer scienceWorld Wide WebSociologyMultimediaBusinessPolitical scienceSocial science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

These are the proceedings of the first COUNTER workshop "Mashing-up Culture: The Rise of User-generated Content", Uppsala University, May 13-14, 2009.COUNTER is a European research project exploring the consumption of counterfeit and pirated goods.Sampling, remixing, mash-ups and appropriation are part of the digital creative milieu of the twenty-first century.Sites such as YouTube and deviantART have offered new outlets for creativity and become hubs for innovative forms of collaboration, thus playing their part in challenging modernist notions of what it means to be a creator as well as a consumer.Drawing on this general background, the ten papers presented in these proceedings are examining areas such as: Sampling, mash-ups, and appropriation; Creativity and collaborative practices; Creative Industries and intellectual property; Copyright, Cultural Heritage and Cultural Policy; and Formal and informal regulations of intellectual property.The ten authors are all contributing to an international and interdisciplinary scientific discussion on the mash-up.Mash-ups and user-generated content are social and cultural phenomena which in these papers are put into various contexts, from legal ones, over technology, to the nation as a framework.

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)0,103
score de la tête « metaresearch » (Gemma)0,332
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,103
Score d'incertitude au seuil0,545

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1030,332
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,005
Études des sciences et des technologies0,0050,015
Communication savante0,0190,018
Science ouverte0,0030,005
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,039
Tête enseignante GPT0,321
Écart entre enseignants0,281 · 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

Citations9
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUniversity of the Arts London Research Online (University of the Arts London)Même sujetDigital Marketing and Social MediaTravaux en français237 207