Corona Fictions und ihre Spuren in der Quebecer Literaturlandschaft
Bibliographic record
Abstract
Die Covid-19-Krise, die im März 2020 die westliche Welt erfasste, hinterließ tiefgreifende Spuren in allen gesellschaftlichen Bereichen. In der Kunst- und Kulturszene fanden diese Spuren Ausdruck in den sogenannten Corona Fictions, zu denen Gedichte, (Kurz-)Geschichten, Musikvideos, (Web-)Serien oder Filme zählen, die vom pandemischen Geschehen inspiriert sind. Der Beitrag gliedert sich in drei Teile und erläutert zunächst den Zusammenhang zwischen dem globalen Krisendiskurs, älteren Seuchentexten und den Corona Fictions, die als unmittelbare Reaktion der Kunst- und Kulturschaffenden auf die pandemische Krise vor allem im digitalen Raum veröffentlicht wurden. Anschließend folgt ein Überblick über Corona Fictions aus Quebec, der aufzeigt, dass die frühen literarischen und filmischen Zeugnisse der Pandemie einen inhaltlichen Schwerpunkt auf die psychosozialen und soziokulturellen Auswirkungen des Krisenmanagements auf verschiedene Bevölkerungsgruppen legen. Corona Fictions geben somit Einblicke in die vielfältigen Erfahrungsräume dieses globalen und kollektiv geteilten Ereignisses des 21. Jahrhunderts. Im abschließenden Teil wird die Dokumentation des transmedialen Korpusmaterials, das sich zusätzlich durch seine Transnationalität und Transkulturalität auszeichnet, in der Corona Fictions Database behandelt, die als bibliographische Datenbank ein umfassendes Bild der fiktionalen Repräsentationen der Pandemie über Medien-, Gattungs- und Sprachgrenzen hinweg zeichnet.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.017 | 0.008 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.074 | 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".