Bibliographic record
Abstract
A filmszerű narrátor [para-cinematic narrator] fogalmát bevezető cikk a narratív diskurzus szintjén vizsgálja, miként imitálja a filmszerű regény és novella a filmes formát. A szerző az irodalmi igeidők használatát a filmi szemiózis által kifejezett időbeliséggel veti össze. A filmes és irodalmi elbeszélés közötti kapcsolódást a háttér és az előtér narratív stílusai mentén térképezi fel. A szerző amellett érvel, hogy a filmes narratíva előtér és háttér elrendeződése – vagyis a „narratív kiemelés” (Weinrich 1971) – az előtérre teszi a hangsúlyt, s az így kialakuló narratív kiemelést „ellaposítja” a médiumra jellemző „monstratív” minőség (Gaudreault 2009). A lapos narratív kiemelést az erőteljesen filmszerű elbeszélés az igeidők alkalmazásával remedializálja. A montázs és más filmspecifikus technikák imitálása a remedializált, filmszerű időbeliségbe illeszkedő jellegzetességként gondolható el. A szerző felidézi továbbá a műfajelmélet „mód” fogalmát (Fowler 2002), melynek segítségével leírhatóvá válik egy-egy tulajdonság műfajok közötti átültetése. A filmszerű mód fogalmának segítségével az alapvető jellegzetességek filmből irodalomba történő remedializációja műfajspecifikus diszkurzív keretbe foglalható.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.059 | 0.012 |
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".