The Goodreads “Classics”: A Computational Study of Readers, Amazon, and Crowdsourced Amateur Criticism
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 essay examines how Goodreads users define, discuss, and debate “classic” literature by computa-tionally analyzing and close reading more than 120,000 user reviews. We begin by exploring how crowdsourced tagging systems like those found on Goodreads have influenced the evolution of genre among readers and amateur critics, and we highlight the contemporary value of the “classics” in particu-lar. We identify the most commonly tagged “classic” literary works and find that Goodreads users have curated a vision of literature that is less diverse, in terms of the race and ethnicity of authors, than many U.S. high school and college syllabi. Drawing on computational methods such as topic modeling, we point to some of the forces that influence readers’ perceptions, such as schooling and what we call the classic industry — industries that benefit from the reinforcement of works as classics in other mediums and domains like film, television, publishing, and e-commerce (e.g., Goodreads and Amazon). We also high-light themes that users commonly discuss in their reviews (e.g., boring characters) and writing styles that often stand out in them (e.g., conversational and slangy language). Throughout the essay, we make the case that computational methods and internet data, when combined, can help literary critics capture the creative explosion of reader responses and critique algorithmic culture’s effects on literary history.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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