Learning to Discern the Voices of Gods, Spirits, Tulpas, and the Dead
Notice bibliographique
Résumé
There are communities in which hearing voices frequently is common and expected, and in which participants are not expected to have a need for care. This paper compares the ideas and practices of these communities. We observe that these communities utilize cultural models to identify and to explain voice-like events-and that there are some common features to these models across communities. All communities teach participants to "discern," or identify accurately, the legitimate voice of the spirit or being who speaks. We also observe that there are roughly two methods taught to participants to enable them to experience spirits (or other invisible beings): trained attention to inner experience, and repeated speech to the invisible other. We also observe that all of these communities model a learning process in which the ability to hear spirit (or invisible others) becomes more skilled with practice, and in which what they hear becomes clearer over time. Practice-including the practice of discernment-is presumed to change experience. We also note that despite these shared cultural ideas and practices, there is considerable individual variation in experience-some of which may reflect psychotic process, and some perhaps not. We suggest that voice-like events in this context may be shaped by cognitive expectation and trained practice as well as an experiential pathway. We also suggest that researchers could explore these common features both as a way to help those struggling with psychosis, and to consider the possibility that expectations and practice may affect the voice-hearing experience.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».