ANALISE DOS RECURSOS MULTIMODAIS: explorando o gênero anúncio publicitário
Bibliographic record
Abstract
O presente texto tem relação com um projeto de pesquisa sob o Título “(Multi) Letramentos e os Gêneros Textuais e ou Discursivos: contribuições para o ensino e aprendizagem de línguas em tempos digitais”, envolvendo gêneros textuais do meio digital, o ensino de línguas e a presença da multimodalidade enquanto recursos disponíveis na cultural digital. O recorte que realizamos para esta escrita envolve uma propaganda vinculada em meio digital que além da presença da linguagem escrita apresenta múltiplas semioses exigindo um outro olhar para a leitura dos recursos linguísticos, contextuais, imagéticos e digitais. Assim, a finalidade deste artigo é explorar aspectos da multimodalidade na leitura de textos do meio digital. Sob o olhar da visão interacional da linguagem, os fundamentos para as análises do texto vinculou se em Monte Mór (2017) , e nas teorias dos na teoria da multimodalidade de Kress e Van Leeuwen (2006[1996]), Kalantzis, Cope e Pinheiro (2020), Marcuschi, (2004) que ensinam sobre os gêneros textuais e sua funcionalidade entre outros. Trata-se, portanto, de um estudo qualitativo-interpretativista pois analisamos e interpretamos enunciados, assim como analisamos a ligação do conteúdo e o verbo-visual dos enunciados em textos multimodais.
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 | 0.006 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.011 | 0.018 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.019 | 0.015 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".