MétaCan
Menu
Retour à la cohorte
Enregistrement W4401854851 · doi:10.5430/wjel.v15n1p1

Technology’s Influence on the Metaphorical Language in Contemporary Literature: A Transformative Force and a Formidable Challenge

2024· article· en· W4401854851 sur OpenAlexvenueno aff
Fatima Ali Al-Khamisi, Ghada S. Sasa, Abdalhadi Nimer Abu Jweid

Notice bibliographique

RevueWorld Journal of English Language · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDigital Storytelling and Education
Établissements canadiensnon disponible
Organismes subventionnairesQassim University
Mots-clésTransformative learningCraftNarrativePlot (graphics)Character (mathematics)Transition (genetics)SociologyComputer scienceAestheticsVisual artsArtLiterature

Résumé

récupéré en direct d'OpenAlex

This study sheds light on the intricate ways technology is reshaping the landscape of metaphorical language in contemporary writing. It delves into the burgeoning trend of aesthetics heavily influenced by technology. By meticulously analyzing a curated collection of visually captivating digital images, the study explores how technical language is used to craft these images and how digital constructs imbue them with a unique character.Furthermore, the study goes beyond imagery, comprehensively examining the influence of technology on characterization and plot structure within contemporary novels. It acknowledges the emergence of characters and narrative elements that are fundamentally driven by technology, exploring how these innovations are shaping the way stories are told and experienced by readers. Ultimately, the study highlights the transformative potential of technology. It recognizes how technology can enrich and expand the metaphorical repertoire available to contemporary writers. However, it also acknowledges the challenges that technology presents in terms of maintaining the nuance and authenticity of language, as well as the potential for the erosion of traditional linguistic values.

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)0,009
score de la tête « metaresearch » (Gemma)0,014
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 enseignants0,017
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,003
Études des sciences et des technologies0,0060,044
Communication savante0,0170,021
Science ouverte0,0010,007
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,027
Tête enseignante GPT0,341
Écart entre enseignants0,314 · 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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of English LanguageMême sujetDigital Storytelling and EducationTravaux en français237 207