Percezione, identità e appartenenza etnica: una discussione sugli stereotipi, la tolleranza e la ragionevolezza
Bibliographic record
Abstract
Quando Monica Stellin ed io decidemmo di ideare un Convegno che offrisse l'opportunità di affrontare i temi dell'identità e dell'immagine degli italiani sui media canadesi attraverso un dibattito approfondito, che al contempo contribuisse a mettere un punto fermo sulle questioni più pressanti, ci apparve centrale il concetto di percezione, che abbracciava entrambe le esigenze della ricerca!.Il Convegno, possiamo dirlo ora senza dubbio alcuno, è servito al proposito che ci eravamo prefissi, nonostante (o forse, grazie al fatto che) fosse incentrato su un interlocutore molto specifico e, a fortiori, limitato: i mezzi di comunicazione di massa.La scelta del settore mass-mediologico, infatti, ci ha permesso di trovare un'angolazione di grande interesse e flessibilità.In altre parole, ci ha consentito di toccare tutti i grandi temi, (anzitutto in via teorica, ma anche arricchendone l'aspetto descrittivo), al fine di comprendere meglio la magmatica materia, o -almeno-di sapere con quali pinze occorre maneggiarla senza che essa sfugga al nostro controllo.Tralascio, pertanto, le considerazioni più puntuali intorno ai risultati del Convegno, perché gli altri interventi contenuti in questo volume parlano da soli (e per di più in maniera assolutamente brillante) in questo
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 | 0.008 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.033 |
| Scholarly communication | 0.010 | 0.014 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.007 |
| 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".