Notice bibliographique
Résumé
Since 2014, a new narrative medium has been emerging that is delivered through virtual reality headsets. This paper theorizes narrative virtual reality as a new filmic medium with new and unique affordances that facilitate narrating and sharing memories. In contradistinction to the much-discussed concept of VR as an ‘empathy machine’, we propose to think of VR as a memory machine. This capability of VR is reflected in the proliferation of memory-related content in narrative VR and its early adoption in public history. Narrating and sharing individual and collective traumatic memories have featured prominently in narrative VR. Three unique properties enable a recipient of narrative VR, the immersant, to experience someone else’s memories: embodiment, immersion, and interactivity. First, embodiment allows the immersant to assume the role of the person who remembers or a person that is being remembered. Second, immersion enables the virtual transportation to a past setting that is remembered. Third, since VR always offers at least some form of interactivity, narrative VR permits the immersant to have agency within the remembered narrative. These three aspects combine to provide a qualitatively richer experience of memories in VR than was possible in conventional narrative media. We show how creators have leveraged these specific affordances of VR in support of narrating memories by analyzing two case-studies. First, we look at an example of traumatic collective memory in The Book of Distance (2020), which narrates a family history of forced removal and internment of Japanese immigrants in Canada during World War II from the perspective of the victim’s grandson. Second, we discuss Is Anna Ok? (2018), which lets the immersant experience two sisters' memories of traumatic brain injury, once from the perspective of the injured victim and once from the sister who witnessed the accident.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,007 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».