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\num meio de reconhecimento e de aprendizagem sobre um\nterritório? (Guerra, 2019a). Esta foi a questão inicial com que\nnos debatemos, pois apesar de sabermos de forma corroborada o\npapel e a relevância de géneros musicais como o rap e da cultura\nhip-hop no mundo artístico, começamos a questionar de que\nforma são abordados determinados conteúdos, partindo de\ninfluências musicais distintas e diversas, desde o rap ao trap,\nconsoante as manifestações de (sub)géneros musicais (Frith,\n1996; Lena & Peterson, 2008). Deste modo, o nosso foco incidiu\nnuma análise das letras das músicas de treze artistas, com o\nintuito de perspetivar as mensagens líricas que são transmitidas,\nas diversas relações ou referências que possam ser feitas a\ncontextos geográficos, mais concretamente bairros sociais, e\nconcomitantemente perceber como é que estas produções são\npautadas pelas posições de afirmação estereotipadas relativas à\nrepresentação do artista gangster, às vivências e aos consumos\ndesviantes. Como é que um país de pequena dimensão se\nposiciona, em termos de produção e consumo musical, face a\nestes processos de resistência (Johansson & Lalander, 2012;\nGuerra & Quintela, 2016) musical? Acima disso, tentamos\ncompreender em que sentido os artistas alvo de análise ainda\nrefletem nas suas produções artísticas temas como a exclusão, a\nviolência, a criminalidade e outras questões. Trata-se de um\nartigo que procura enfatizar o papel das criações artísticas\nenquanto (re)produtoras de conhecimento relevante sobre as\nrealidades 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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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; both teacher heads agree on what is shown here.
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".