Notice bibliographique
Résumé
As the centenary of the Great War approaches, citizens worldwide are reflecting on the history, trauma, and losses of a war-torn twentieth century. It is in remembering past wars that we are at once confronted with the profound horror and suffering of armed conflict and the increasing elusiveness of peace. The contributors to Bearing Witness do not presume to resolve these troubling questions, but provoke new kinds of reflection. They explore literature, the arts, history, language, and popular culture to move beyond the language of rhetoric and commemoration provided by politicians and the military. Adding nuance to discussions of war and peace, this collection probes the understanding and insight created in the works of musicians, dramatists, poets, painters, photographers, and novelists, to provide a complex view of the ways in which war is waged, witnessed, and remembered. A compelling and informative collection, Bearing Witness sheds new light on the impact of war and the power of suffering, heroism and memory, to expose the human roots of violence and compassion. Contributors include Heribert Adam (Simon Fraser University), Laura Brandon (Carleton University), Mireille Calle-Gruber (Université La Sorbonne Nouvelle), Janet Danielson (Simon Fraser University), Sandra Djwa (emeritus, Simon Fraser University), Alan Filewod (University of Guelph), Sherrill Grace (University of British Columbia), Patrick Imbert (University of Ottawa), Tiffany Johnstone (PhD Candidate, University of British Columbia), Martin Löschnigg (Graz University), Lauren Lydic (PhD, University of Toronto), Conny Steenman Marcusse (Netherlands), Jonathan Vance (University of Western Ontario), Aritha van Herk (University of Calgary), Peter C. van Wyck (Concordia University), Christl Verduyn (Mount Allison University), and Anne Wheeler (filmmaker).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».