Fifty Shades of Twilight: A Computational Approach to Textual Adaptation
Notice bibliographique
Résumé
This is an accepted article with a DOI pre-assigned that is not yet published.We analyse the relationship between the Twilight Saga and 50 Shades of Grey trilogy as a case study on the relationship between published fiction and fanfiction. We assess how this relationship can be studied using tools from computational literary studies (CLS). We examine the processes of theorization, conceptualization, implementation and validation that underly CLS-research. We provide an overview of relevant scholarship from fan- and adaptation studies, then theorize that the adaptation of Twilight into the fanfiction Master of the Universe, which resulted in Fifty Shades, resides primarily in its changing characterization of the protagonists, including their storyworld, and in an increased focus on sex. We then conceptualize these aspects as revolving around the words used to describe characters, and the frequency with which sexually explicit words occur. We implement our approach by detecting words related to characterization and sex using three methods: corpus analysis using Sketch Engine and LIWC, and the measure of pointwise mutual information. In the end, although anecdotal evidence points to patterns of adaptation across our two corpora, we find that these methods cannot be validated. The impossibility of validating our methods points to a divide in CLS-research: on the one hand, CLS can be understood as a way of testing empirical claims about literature using computational methods. In this view, theorization, or a researcher’s subjective reading or analysis is always the first step in the research design, and one may find, as we do here, that not all empirical claims about literature can be captured in computational operationalizations yet. However, CLS can also be understood as an attempt to employ computers so new questions can be asked of literature. To answer the kinds of questions we started with – questions inspired by human intuitions about literature – we need tools better attuned to the subtleties of narrative text.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,014 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».