“Moskal's,” “Separs,” and “Vatniks”: The Many Faces of the Enemy in the Ukrainian Satirical Songs of the War in the Donbas
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 examines representations of the enemy in the Ukrainian satirical songs pertaining to the Russo-Ukrainian war in the Donbas. I focus primarily on the output of Orest Liutyi (the stage persona of Antin Mukhars'kyi) and the semi-anonymous Mirko Sablich (Mirko Sablic) collective. Using the method of multimodal discourse analysis, I examine how the enemy opposing the Ukrainian Army is portrayed in the song lyrics and the accompanying music videos. Considering the complex nature of the conflict and the lack of uniformity in the backgrounds of the warring parties, I am particularly interested in who and why is identified as the enemy in the songs. The enemy appears in several guises: “moskal's”—Russian or pro-Russian aggressors from outside Ukraine; “separs”—Ukrainian collaborators who support, often through military efforts, the separation of the Donbas from Ukraine; and “vatniks”—passive anti-Ukrainian individuals who live in Ukraine and whose inaction is perceived to be harmful to Ukraine’s wartime efforts. Whereas these songs call upon Ukrainians to repel the external enemy (“moskal's”) in armed combat, no clear strategy is suggested for how the internal enemies (“separs” and “vatniks”) should be dealt with or, in some cases, even identified. As a result, Liutyi and Sablic, while positioning themselves as “counterpropaganda” projects, risk labelling as “the enemy,” and thus alienating, the audiences most susceptible to propaganda, who could otherwise benefit most from their myth-debunking efforts.
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 | 0,008 | 0,003 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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