,Fact and Fiction‘ in der mittelalterlichen arabischen Literatur. Anmerkungen zu einer Debatte
Bibliographic record
Abstract
Die ganze Welt erzählt. Sie tut es zu unterschiedlichsten Zwecken und in unterschiedlichsten Medien, in unterschiedlichen Kulturräumen und Zeiten. Wenn man die Funktionen von Erzählungen untersucht, wird schnell klar: Eines der faszinierendsten Probleme, dem man sich aus interdisziplinärer Perspektive im Kontext der Erzählforschung zuwenden kann, betrifft die Differenz zwischen Erzählungen, die einen Wahrheitsanspruch erheben, und solchen, die ihre Fiktionalität zur Schau stellen - aber auch wie in Erzählungen Faktuales und Fiktives sich überschneidet, mischt und gegenseitig spiegelt. Das ist nicht nur auf der Gegenstandsebene des Erzählten ein komplexes Feld, sondern auch auf der Ebene des Erzähltextes. Unterschiedlich sind zudem die Zugangsweisen derjenigen wissenschaftlichen Disziplinen, die sich mit dem Erzählen befassen: So hat etwa die Literaturwissenschaft Theorien der Fiktionalität entwickelt; die Psychologie wiederum interessiert sich für Identitäts- und Selbst-Konstruktionen anhand von Erzählungen; die Geschichtswissenschaft und die Ethik ringen immer wieder um Fragen nach Wahrheit und Fiktion. Studien zum Film und anderen Medien der Gegenwart sind mit einem Zeitgeist konfrontiert, der die Unterscheidung zwischen Fiktionalität und Faktualität strategisch und weitreichend aushebelt.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.009 | 0.007 |
| Science and technology studies | 0.007 | 0.016 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.015 | 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".