Stories of the Quran in Ibn Juzayy’s Tafsir Named Tashil
Bibliographic record
Abstract
İnsana dünya hayatında nasıl yaşayacağını göstermek üzere indirilen Kur’ân-ı Kerim, birbirinden farklı yöntemlerle İlâhî mesajı iletmektedir. Bu yöntemlerden biri de Kur’ân kıssalarıdır. Bu çalışmada Endülüs’ün elden çıkan son şehri olan Gırnata’da yetişmiş, döneminin önemli şahsiyetlerinden olan İbn Cüzey’in, Kur’ân kıssalarını tefsir etme yöntemi incelenmiştir. Araştırma giriş, üç bölüm ve sonuçtan oluşmaktadır. Birinci Bölüm’de, İbn Cüzey’in yaşadığı dönem, coğrafya, hayatı ve ilmi kişiliği hakkında bilgi verilmiş; müellifin muhtasar bir tefsir eseri olan Teshîl’in, özellikleri, metodu, mukaddimesi ve kaynakları araştırılmıştır. İkinci Bölüm’de, Kur’ân kıssaları ana başlığı altında, “kıssa” ve benzeri kavramlar ile bu kelimelerin Kur’ân’da kullanımları, Kur’ân’da kıssa çeşitleri, Kur’ân kıssalarının özellikleri, Kur’ân kıssalarında edebî üslup, Kur’ân kıssalarında gayeler, Kur’ân kıssalarında tarihi gerçeklik zarureti konuları incelenmiştir. Üçüncü Bölüm’de, İbn Cüzey’in kıssaları tefsir etme metodu ana başlığı altında, İbn Cüzey’in Kur’ân kıssalarına genel bakışı, kıssaları tefsir ederken kullandığı rivayet metodları ve dirayet metodları irdelenmiştir. Çalışma, sonuç ve kaynakça ile bitmektedir.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.007 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| 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".