Toda a minha vida fui Thug: a (des)construção do urbano através do rap = All my life I've been thug: the (de)construction of the urban through rap
Bibliographic record
Abstract
Até que ponto a música ou outras produções artísticas podem ser um meio de reconhecimento e de aprendizagem sobre um território? (Guerra, 2019a). Esta foi a questão inicial com que nos debatemos, pois apesar de sabermos de forma corroborada o papel e a relevância de géneros musicais como o rap e da cultura hip-hop no mundo artístico, começamos a questionar de que forma são abordados determinados conteúdos, partindo de influências musicais distintas e diversas, desde o rap ao trap, consoante as manifestações de (sub)géneros musicais (Frith, 1996; Lena & Peterson, 2008). Deste modo, o nosso foco incidiu numa análise das letras das músicas de treze artistas, com o intuito de perspetivar as mensagens líricas que são transmitidas, as diversas relações ou referências que possam ser feitas a contextos geográficos, mais concretamente bairros sociais, e concomitantemente perceber como é que estas produções são pautadas pelas posições de afirmação estereotipadas relativas à representação do artista gangster, às vivências e aos consumos desviantes. Como é que um país de pequena dimensão se posiciona, em termos de produção e consumo musical, face a estes processos de resistência (Johansson & Lalander, 2012; Guerra & Quintela, 2016) musical? Acima disso, tentamos compreender em que sentido os artistas alvo de análise ainda refletem nas suas produções artísticas temas como a exclusão, a violência, a criminalidade e outras questões. Trata-se de um artigo que procura enfatizar o papel das criações artísticas enquanto (re)produtoras de conhecimento relevante sobre as realidades sociais (Guerra, 2019a; Becker, 2007).
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.017 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".