Real scary/scary real: Consuming simulated and authentic horrors in the digital era
Notice bibliographique
Résumé
Snuff, like porn, has been challenged by feminist and other political debates around representations focused on the body, exaggerated performance, claims of ‘realness’ and concerns about representing and/or encouraging violence against women. Thus, it is not surprising that simulated snuff horror, as a subgenre, is heavily influenced by the same technological changes that have also affected the porn industry: the content of the videos, how the videos are produced and how they are consumed. I argue that the decontextualized digital context of media production and consumption has especially lent itself to the subgenre of horror I refer to as ‘simulated snuff films’ and aids in the longevity of snuff mythology. I use the terminology simulated snuff films to differentiate these fictional, from authentic snuff. Building on Steve Jones’ work, I explore the consumption of simulated snuff films that are scary real – fictional content that purposefully attempts to approximate the imagined look of a real snuff film – and films that are real scary – authentic depictions of extreme sexual violence and death – which may not give the appearance of being real or may be read by audiences as being faked. Further, using Jean Baudrillard’s theories of Simulation and Simulacra (1981), I argue that the case of Luka Magnotta, and his now infamous internet videos, exemplifies the hyperreality of snuff films in the post-9/11 context. To put it another way, simulated snuff films now appear more real than authentic recordings of murder in the digital sphere.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».