Reescrituras interseccionales del cuerpo no normativo: el caso de Special
Bibliographic record
Abstract
En esta investigación entenderemos los medios de comunicación audiovisuales como una vía de gran alcance, capaces de llegar a casi cualquier rincón del planeta en cuestión de segundos. Gracias a esta ubicuidad, el poder social y cultural con el que cuentan es incontestable, y pueden contribuir en gran medida a desarrollar, difundir y fijar narrativas identitarias con facilidad. La traducción actúa en estos casos multiplicando el efecto expansivo de su eficacia al llevar tales discursos a otras sociedades en otros idiomas. Nos interesará profundizar en cómo se presentan las identidades interseccionales en los medios, sobre todo aquellas atravesadas por diferentes ejes de poder, que limitan su visibilidad y marginan a los sujetos. Adoptaremos una metodología interseccional a partir de conceptos del ámbito de los estudios culturales y, sobre esta estructura teórico-metodológica, abordaremos la intersección entre sexualidad y diversidad funcional en la serie Special de Netflix. Se tendrá en cuenta si las reescrituras al español en el doblaje y subtitulado se han basado en representaciones simplistas de la identidad, anquilosadas en estereotipos caducos, o si, por el contrario, se han empleado estrategias discursivas multifocales capaces de reflejar la complejidad de dichas identidades.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.025 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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".