Dineren onder vrienden (en rivalen). Literaire prijzen, netwerken en consecratiestrategieën
Bibliographic record
Abstract
Heeft u zich wel eens afgevraagd waarom een eerlijk burger die geen beroepscriticus is, jurylid wordt van een literaire prijs?Dat is immers een onbezoldigde functie waarvoor men een groot aantal boeken moet lezen.I In dit citaat stelt de Franse schrijver Jacques Brenner , voormalig jurylid van de Prix Renaudoteen belangrijke, in 1926 ingestelde Franse literaire prijs ter aanmoediging van jong talentmet gespeelde naïviteit de kwestie aan de orde waar dit artikel over gaat.In wat volgt willen we met name het functioneren onderzoeken van de institutionele consecratie, en dat aan de hand van een van de belangrijkste consecrerende instanties: literaire prijzen.Ons interesseert daarbij niet zozeer de geschiedenis van literaire prijzen, de representaties die ermee verbonden zijn of de geloofs-en legitimatieeffecten die ze produceren.Onze aandacht gaat vooral uit naar het sociale en interactionele functioneren van de juryleden van die prijzen.Consecratiemechanismen mobiliseren binnen de literaire institutie een nog steeds toenemend aantal actoren, en er zijn ook grote belangen mee gemoeid.In het licht van die vaststelling proberen we twee vragen te beantwoorden: wie zit er in de jury van literaire prijzen, en hoe komt hij/zij daar terecht?
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.015 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.166 | 0.051 |
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".