Toda a minha vida fui Thug: a (des)construção do urbano através do rap = All my life I've been thug: the (de)construction of the urban through rap
Notice bibliographique
Résumé
Até que ponto a música ou outras produções artísticas podem ser\num meio de reconhecimento e de aprendizagem sobre um\nterritório? (Guerra, 2019a). Esta foi a questão inicial com que\nnos debatemos, pois apesar de sabermos de forma corroborada o\npapel e a relevância de géneros musicais como o rap e da cultura\nhip-hop no mundo artístico, começamos a questionar de que\nforma são abordados determinados conteúdos, partindo de\ninfluências musicais distintas e diversas, desde o rap ao trap,\nconsoante as manifestações de (sub)géneros musicais (Frith,\n1996; Lena & Peterson, 2008). Deste modo, o nosso foco incidiu\nnuma análise das letras das músicas de treze artistas, com o\nintuito de perspetivar as mensagens líricas que são transmitidas,\nas diversas relações ou referências que possam ser feitas a\ncontextos geográficos, mais concretamente bairros sociais, e\nconcomitantemente perceber como é que estas produções são\npautadas pelas posições de afirmação estereotipadas relativas à\nrepresentação do artista gangster, às vivências e aos consumos\ndesviantes. Como é que um país de pequena dimensão se\nposiciona, em termos de produção e consumo musical, face a\nestes processos de resistência (Johansson & Lalander, 2012;\nGuerra & Quintela, 2016) musical? Acima disso, tentamos\ncompreender em que sentido os artistas alvo de análise ainda\nrefletem nas suas produções artísticas temas como a exclusão, a\nviolência, a criminalidade e outras questões. Trata-se de um\nartigo que procura enfatizar o papel das criações artísticas\nenquanto (re)produtoras de conhecimento relevante sobre as\nrealidades sociais (Guerra, 2019a; Becker, 2007).
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».