Les Llengües de la Ciència-Ficció : altres tradicions
Bibliographic record
Abstract
L'objectiu de la sèrie d'articles i d'aquest llibret és informar els lectors i, sobre tot, els editors, del fet que hi ha moltes altres obres de ciència-ficció summament interessants en altres llengües que no són l'anglès. Sóc conscient que als editors els costa invertir en traduccions al català d'altres llengües perquè el públic prefereix les que provenen de l'anglès, erròniament assumint que aquesta és la llengua d'origen de la ciència-ficció. De fet, com demostren els articles, la ciència-ficció apareix simultàniament a diverses llengües al s. XIX com a producte de la revolució tecnocientífica. Són el cinema i la TV els que convencen el món sencer que els textos anglòfons tenen prioritat. Avui, per sort, tenim una molt sòlida tradició de ciència-ficció en català i si volem que sigui respectada i admirada internacionalment cal que fem el mateix amb les altres tradicions que es presenten en aquest llibret, des de la petita però combativa tradició en romanx fins a la gran tradició en francès que s'escampa pel Quebec i la pròpia França. Els autors i jo mateixa esperem que gaudiu dels articles i, sobre tot, que us animeu a llegir el que ja està traduït al català. I demaneu, si us plau, als editors que s'animin a traduir d'altres llengües més enllà de l'anglès.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.016 | 0.026 |
| Scholarly communication | 0.030 | 0.008 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.015 | 0.004 |
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".