¿Educando en igualdad? Análisis de la triada pornografía-discriminación-violencia. Feminidad y masculinidad en la pornografía convencional
Bibliographic record
Abstract
Dentro del feminismo se ha debatido desde los años setenta sobre el daño o beneficio que supone la pornografía en la lucha por la igualdad. Las feministas anti-pornografía la consideran una de las causas de la existente violencia contra las mujeres, mientras que las feministas pro-pornografía la contemplan como una consecuencia de la libertad de expresión, y un posible espacio de subversión y reivindicación de los derechos sexuales de las mujeres. A pesar de la existencia de este eterno debate, poco ha cambiado la pornografía; ni se ha reducido la violencia contra las mujeres, ni el post-porno ha podido igualar, ni menos desterrar, a la pornografía tradicional. Para poder romper la relación entre pornografía, violencia y discriminación es necesario que ambas posturas del feminismo encuentren un punto de convergencia, como la educación en igualdad. En esta comunicación se explorará la relación entre pornografía y roles de género transmitidos. Para ello se analizan las conductas permitidas y prohibidas en el ámbito. El marco teórico contemplado se basa en los textos de MacKinnon, Erika Lust, Sunstein y Gail Dines. Se emplea un enfoque fenomenológico para poder evaluar las características de la pornografía mainstreaming. Los instrumentos empleados para dicha aproximación son: las bases de datos sobre consumo de pornografía convencional (pornhubinsights, alexa, freewebsitereport y google analytics data) y las páginas con mejor posicionamiento (según alexa y freewebsitereport). Para llegar a los resultados se emplea un análisis del contenido latente, apoyado también con un análisis cuantitativo univariado. Las conclusiones se centran en cómo y hasta qué punto debería ser regulada la pornografía, teniendo en cuenta su impacto en la educación sexual de los/as más jóvenes.
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 | 0.006 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".