Notice bibliographique
Résumé
This study aims to investigate the protest signs that suddenly flooded the streets of Malang, Indonesia, after the death of 135 soccer fans caused by tear gas fired by the police, known as the Kanjuruhan Football Tragedy. This study seeks to answer the following questions: 1. Who or what were the referents of the signs? 2. What languages were used in the signs? 3. What was the function of each language? 4. What were the themes of the protest discourse in each language? 5. What was the narrative rationality of the extracted themes? Ninety-two types of signs comprised the corpus of the study. To systematically interpret the protesters’ messages, we used the descriptive interpretative method to analyze and interpret the data, conducting content analysis, sense-making analysis based on narrative paradigm, and visual analysis to extract the themes of the protests. Then, we constructed a chronological narrative to represent the protesters’ experiences. Almost all of the referents of the signs were for law enforcement officers. Five languages expressed the thirteen themes of the demand for justice and anger. Indonesian was used for all 13 themes, English – 8 themes, Javanese – 2 themes, Boso Walikan, and Arabic - 1 theme each. Unlike the common protest signs, English remarkably captured international attention. English slogans were mostly borrowed from George Floyd’s protests. The harsh protest signs indicated a change in public behavior toward the authorities, especially the police when they demanded justice. Despite the rigid protests in texts and 3D artifacts, the police refrained from actions. Keywords: linguistic landscape, football fan protest, protest signs, Malang, Indonesia. DOI: https://doi.org/10.55463/hkjss.issn.1021-3619.62.6
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».