MétaCan
Menu
Retour à la cohorte
Enregistrement W4321512462 · doi:10.1386/jptv_00083_1

Resentment and ressentiment as motivating forces in Better Call Saul

2022· article· en· W4321512462 sur OpenAlexaboutno aff
David Pierson

Notice bibliographique

RevueThe Journal of Popular Television · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLaw in Society and Culture
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésResentmentCharacter (mathematics)FeelingBrotherHatredPsychoanalysisLawAestheticsPsychologySociologySocial psychologyPhilosophyPolitical science

Résumé

récupéré en direct d'OpenAlex

This article argues that the philosophical and psychological concepts of resentment and ressentiment serve as compelling motivational forces in the lives and actions of the central characters that comprise the American TV seriesBetter Call Saul(2015–22). For Nietzsche and Scheler, ressentiment involves the internalization of hostile affects that tend to reinforce a sense of powerlessness and feelings of inferiority. Unlike ressentiment, which can linger for a long time, resentment is an active and immediate mode of resistance that supports its stance against the conformist tendencies of passive or reactive forces. Resentment, if properly directed externally, can serve as an empowering and a creative, active force in a character’s life. For Jimmy McGill, resentment functions as a primary catalyst for his eventual transformation into the unethical, yet prosperous, criminal attorney Saul Goodman. Resentment, if directed inwards, can produce debilitating effects such as Jimmy’s older brother Chuck’s incapability to move past his hatred and envy over his younger brother’s past actions and successes as a lawyer. This article illuminates the role and character of resentment and ressentiment as affective forces for characters in television melodramas.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0040,020
Communication savante0,0060,005
Science ouverte0,0010,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,016
Tête enseignante GPT0,307
Écart entre enseignants0,290 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Popular TelevisionMême sujetLaw in Society and CultureTravaux en français237 207