MétaCan
Menu
Retour à la cohorte
Enregistrement W3213773504

Audience to Allies: : Shared Terror and Cinematic Dread in Peele's Get Out (2017)

2021· article· en· W3213773504 sur OpenAlexaff
Amy St. Amand

Notice bibliographique

RevueStudent Research Proceedings · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCinema and Media Studies
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésWhite (mutation)SociologyMedia studiesParanoiaLawAestheticsArtPsychologyPolitical science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

For his first feature film, Jordan Peele wanted to create a horror film for black audiences, who have long been isolated by the tradition of objectification and othering of black bodies within the horror genre. Get Out (2017) highlights the paranoia that defines being black in America, but despite the film’s focus on the black American experience, Peele intended for the film to be an inclusive experience. And judging by the film’s financial and critical success, Get Out certainly resonated with a wide variety of audiences. This paper aims to explore how Peele manages to create a space of terror regarding something white viewers have never experienced firsthand, while simultaneously uncovering the purpose of involving an audience who oftentimes are the perpetrators of the microaggressions Get Out condemns. Using Julian Hanich’s theory of cinematic dread, I will argue that Peele creates a sense of shared terror that transcends racial boundaries, ultimately forcing audience members who have never experienced discrimination based on the colour of their skin into allies. Department: English Faculty Mentor: Dr. Mike Perschon

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,691

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,197
Tête enseignante GPT0,398
Écart entre enseignants0,202 · 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'étudeObservationnel
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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStudent Research ProceedingsMême sujetCinema and Media StudiesTravaux en français237 207