КЪМ ЕДНА СЕНЗОРНА КРИТИКА: СЕНЗОРНИ КОРПУСИ И СЕНЗОРНИ ПЕЙЗАЖИ (НА ТИШИНА)
Bibliographic record
Abstract
Текстът представя рефлексивен подстъп към сензорните изследвания като мисли и развива понятията сензорен корпус (през Schulze, 2018 и Нанси, 2003) и сензорен пейзаж [sensescape] (Portreous, 1990; Howes, 2022; 2023; Pink, 2015; Златкова 2020; 2022) като разширени сензориуми (по Laplantine, 2015), в-през-и-срещу, които могат да се докосват/чувстват различни модалности на телесности, материи, неща, структури и обекти. Сензорната критика може да анализира тези модалности, но и да открои въплътените у сензорните корпуси разностранни диспозитиви на тишината, например: нормативни/репресивни, естетически, социокултурни и физически. Така може да се откроят въплътени практики/осезания и да се генерират данни за сетивата от сензорните корпуси като „сходни“ или „други“ (дори хуманоидни извънземни в смисъла на Шулц (Schulze, 2018). Сензорните данни и откроените в-през тях модалности могат да са стабилни, генеративни, особени или гранични (Pink и Schulze), но това не ги прави недостъпни за анализ и картографиране чрез сензорни критики, които се основат на телесна епистемология (Schulze 2018) и въплътеност в даден ситуационен терен, мултисензорно интервю или вече конструирани и кодифицирани в други медиуми (вж. Златкова 2022), които съдържат сензорни данни и/или специфични модалности на сетивата. Сензорната критика борави както с анализ на обекти и структури, така и с аналитиките на феноменологията, с плътното описание (Schulze 2018: 52), автоетнография и модалната антропология (която Лаплантин развива, т.е евристично казано: не (само) познанието от нещо, но и осезанието от него). Това прави сензорната критика гъвкав трансдициплинарен инструмент за анализи in theoria, in situ и in vivo. В статията също се разглеждат и анализират сензорни и автоетнографични данни, както и други такива, произведени от сензорни корпуси и техните сензорни пейзажи.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.013 |
| Scholarly communication | 0.016 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 0.005 |
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".