Kadınlar Arası Rekabet: Bir Sisifos Sendromu mu? Dijital Kültürde Rekabetin İnşası-Ekşi Sözlük Kullanıcı Yorumları Üzerine Bir Analiz
Bibliographic record
Abstract
Öz Bu çalışma kadınlar arası rekabetin neden ve nasıl gerçekleştiği sorusuna odaklanmaktadır. Psikolojik, sosyolojik ve evrimsel bakış açısı kadın erkek rekabetinin farklı detaylar üzerine inşa edildiğini iddia etmektedir. Bahsi geçen bilim dalları, kadınların erkeklerden daha farklı koşullarda rekabete girdiğini ve güç mücadelesini başka türlü verdiğini iddia etmektedir. Veriler, Ekşi Sözlük platformundan çekilmiştir. Ekşi Sözlük platformunda “kadınlar arası rekabet” başlığında öne çıkan paylaşımlar içerik ve söylem analizi ile değerlendirmeye alınmıştır. Toplamda 260 paylaşımın analizi yapılmış olup veriler, metaforlar, kadın rekabetinin nedenleri ve rekabetin sonuçları şeklinde üç ana başlıkta değerlendirilmiştir. Kullanıcı yorumlarında kadın rekabeti savaş değişkeni özelinde değerlendirilmiştir. Bacılık husumeti, cat fight (kedi savaşı) avlanması gereken et, psikolojik savaş, soğuk savaş, östrojen savaşı, ilkel savaş, gerilim filmi, şiddet içeren oyun, arketipe kadar inen dürtü, pembe taciz, Guelph’ler ve Ghibelline öne çıkan metaforik ifadelerdir. Kadınlar arasındaki rekabet, örgütlenmeyi zorlaştırmanın yanısıra dayanışma ve işbirliği süreçlerini de olumsuz etkilemektedir. Kadın rekabeti bir Sisifos sendromudur ve karşılığı yoktur.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.023 | 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".