Sources of Ukrainian-Canadian Identity in Janice Kulyk Keefer’s Novel The Green Library
Bibliographic record
Abstract
Antud töö peamiseks eesmärgiks on püüda mõista, mis on identiteet, kuidas saab inimene oma identiteeti luua ja kõige tähtsam – milliseid allikaid saab ta selleks kasutada. \nTöö näitab, et arusaam identiteedist ei saa eksisteerida iseeneses, vaid inimene loob enda identiteedi, leides selleks vajalikud ressursid. \nSissejuhatuses on esitatud töö taust ja välja toodud uuritava teema olulisus. Samuti annab sissejuhatus informatsiooni romaani The Green Library autori Janice Kulyk Keeferi ja teose kohta. Siin on ka püstitatud uurimisküsimused, kuidas ajalooline ja kultuuriline taust mõjutavad identiteedi kujunemist ning millistele allikatele saavad teose kaks naispeategelast toetuda oma identiteediloomes ning mis on nende valikute põhjused. \nEsimene peatükk on töö teoreetiline osa. See keskendub ukraina immigrantide ajaloolisele ja sotsiaalsele taustale ning erinevatele akulturatsioonistrateegiatele vastuvõtvas ühiskonnas. Peatükk käsitleb ka teise põlvkonna immigrantide eripärasid ja raskusi oma identiteedi loomisel. \nTeine peatükk on töö empiiriline osa. See on pühendatud romaani teise põlvkonna esindajatest kangelannadele ja nende Kanada ukrainlaseks olemise viiside analüüsile. Peatükk sisaldab samuti kahe kangelanna identiteediloome strateegiate ja nende allikate võrdlevat analüüsi. \nKokkuvõtteks võib öelda, et kuigi peategelased Eva Chown ja Oksanna Moroz on samasse vanusegruppi kuuluvad teise põlvkonna ukraina juurtega immigrandid, on nende kogemused ja identiteet väga erinevad. Uurimus näitab, kui suurel määral mõjutavad peategelaste identiteeti aeg ja ühiskondlikud olud Kanadas kui vastuvõtvas ühiskonnas ning suhtumine immigrantidesse.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.025 | 0.011 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".