Notice bibliographique
Résumé
Introduction to Popular Asian Cinemas by Anne T. Ciecko (University of Massachusetts-Amherst, USA) 1. Film Theory and Asian Cinemas by Anne T. Ciecko 2. Indonesia by Krishna Sen (Curtin University of Technology, Australia) 3. Malaysia by William van der Heide (University of Newcastle, Australia) 4. Singapore by Jean Jan Uhde Yvonne Ng Uhde (University of Waterloo, Canada) 5. Vietnam by Panivong Norindr (University of Southern California, USA) 6. Thailand by Anchalee Chaiworaporn Adam Knee (Film critic, Bangkok, Thailand Ohio University, USA) 7. Philippines by Jose B. Capino (Ateneo de Manila University, Philippines) 8. India by Corey K. Creekmur Jyotika Virdi (University of Iowa, USA University of Windsor, Canada) 9. Sri Lanka by Wimal Dissanayake (University of Hawaii, USA) 10. Bangladesh by Zakir Hussain Raju (Independent University, Bangladesh) 11. Korea by Hyangjin Lee (University of Sheffield, UK) 12. Mainland China by Augusta Lee Palmer (Brooklyn College, USA) 13. Taiwan by Emilie Yueh-yu Yeh (Hong Kong Baptist University) 14. Hong Kong by Anne T. Ciecko 15. Japan by Darrell William Davis (University of New South Wales, Australia) Conclusion
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,003 |
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 ».