Pettymyksen tunteen kuvaaminen satukuvitusten hahmojen keinoin
Bibliographic record
Abstract
Opinnäytetyön tutkimus käsittelee kuinka pettymyksiä kuvataan satukuvitusten hahmojen keinoin. Teoriaosuus käy läpi yleisesti tunteita, ihmisen tunteiden ilmaisua kehonkielen ja sommittelun kautta. Tunteet näkyvät kasvojen vääntymisenä eri ilmeisiin ja kehossa asennoiden vaihtumisena. Erilaiset eleet vaikuttavat tunteen ilmaisussa, kuten käsien ja pään asennot ja katse. Hahmosuunnittelun tarkastelu kertoo, kuinka luodaan dynaaminen asento tai ilme tunteen ilmaisemiseksi. Sommittelun tarkastelu auttaa hahmottamaan, millä kuvan suunnittelun keinoilla tunnelmaa luodaan. Siihen vaikuttavat kuvan elementtien asettelu, viivat ja pisteet, kuvakulmat ja värit. Tarkoitus on huomata, millä keinoin tunteita ja etenkin pettymystä tuodaan ilmi niin tosielämässä kuin satukuvituksissa. \n \nTavoitteena oli teorian tukena tutkia, miten hahmojen pettymys ilmaistaan satukuvituksissa. Pettymyksen ilmeet ja kehonkieli ovat samat eri satukuvituksissa, mutta vaihtelevat pettymystä värittävän tunteen mukaan. Surullisesti pettyneen asento lyyhistyy ja hän voi itkeä, kun taas viha ja pelko saavat hahmoon liikettä. Sommittelussa on eroja ja ne vaihtelevat kuvittajan tyylin mukaan. \n \nProduktiivinen osa sarja kuvituksia Valevieraat – sadusta. Sadun aihe on lähellä opinnäytetyön tutkimusta, sillä sen teemana ovat pettymykset ja pettymyksen tunteen käsittely. Kuvitukset muodostuivat suunnittelun, luonnostelun ja kuvitusten piirtämisen ja maalaamisen kautta. Tutkimuksesta saatu tieto hyödynnettiin satukuvitusten suunnittelussa. \n \nTutkimuksesta on hyötyä kuvittajille, sillä he saavat tietoa keinoista, jolla pettymystä kuvataan satukuvituksissa. He voivat löytää uusia keinoja, miten pettymyksen tunnetta voisi tuoda paremmin ilmi tai miten luoda hyvä tarina, jossa pettymys on läsnä. Lapset ja nuoret tulevat kohtaamaan elämässään pettymyksiä, joten tutkimuksen tuoma tieto voisi auttaa paremman kuvittamisen keinoin käsittelemään pettymystä.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.070 | 0.018 |
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".