A questão do mau gosto, entre o juízo estético e os prazeres "culpáveis"
Bibliographic record
Abstract
Em matéria de apreciação estética, todos nós temos "prazeres culpáveis", esses momentos nos quais sentimos que não se deveria apreciar uma obra julgada indigna de nossa estima, mas, contrariando nossos desejos, nós não podemos fazer outra coisa senão experimentar um inegável êxtase. Às vezes designada pela expressão akrasia estética (conceito emprestado do vocabulário da moral), esta inclinação habitual consiste em ir contra seu melhor juízo, isto é, demonstrar irracionalidade por não fazer a coisa que, em teoria, seria a mais apropriada (neste caso: não gostar da "boa" arte ou gostar da "má” arte). Segundo essa perspectiva, haveria bons e maus julgamentos estéticos. Mas isso implica uma crença na existência de uma norma objetiva de qualidade estética (o que, de saída, não é evidente) que permitiria determinar se um artefato lhe corresponde ou não). Sobre o que repousa o "comando moral" segundo o qual se deveria reprovar o que nos agrada em nome de uma convenção? Não há algo de profundamente problemático na ideia de que seríamos "obrigados" a apreciar as obras em função de uma norma heterogênea e não em função daquilo que realmente sentimos diante delas? Este artigo será a ocasião para discutir essas questões tão fascinantes quanto polêmicas.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.011 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".