Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article deploys text mining and quantitative analysis to survey the breadth of the Asian American literary corpus and the scholarship framing it. We have built a database covering all scholarship in the MLA bibliography, Amerasia, and the Journal of Asian American Studies that studies a literary work under the rubric of Asian American. For the works and authors cited, we collected a wealth of metadata from publisher and genre to gender, ethnicity, and more. Asian Americanists have long debated the definition of Asian American literature, but we have not traced the choices of scholarly attention that have accreted over decades and hundreds of publications to shape a canon. The results here reveal the systemic effects and inequalities generated by those choices. They confirm a long-suspected bias toward contemporary literature. They reveal troubling ethnic inequalities. The literatures of Asian American ethnic groups beyond the six most studied groups receive minimal attention. Korean American literature has leaped to second most studied, resulting in a reconfigured East Asian American hegemony: Chinese, Korean, and Japanese. This was enabled by a troubling decline in studies of Filipinx American literature, once central to the field. Much Filipinx American literature is today studied outside the Asian American framework entirely. Meanwhile, the conflation of Chinese American literature with Asian American literature has intensified. The field’s rhetoric of diversification has masked persistent inequalities in our critical practices. More encouragingly, the corpus has surpassed gender equity, placing women writers at the center of the field. The work of building the Asian American corpus we would want is far from over. Data-driven methods can be powerful allies in the self-scrutiny necessary to this work.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle